Multilingual E5 Large Xnli Anli

🚀 マルチリンガル-e5-large-xnli-anli

このモデルは、XNLIとANLIデータセットで微調整されたintfloat/multilingual-e5-largeのバージョンです。XNLIとANLIデータセットを使用して、多言語の自然言語推論タスクに適用できます。

🚀 クイックスタート

このモデルは、XNLIとANLIデータセットで微調整されたintfloat/multilingual-e5-largeのバージョンです。多言語の自然言語推論タスクに使用できます。

✨ 主な機能

• 多言語対応: 英語、アラビア語、ブルガリア語など15言語に対応しています。
• ゼロショット分類: zero-shot-classificationパイプラインを使用して、任意のクラス名にシーケンスを分類できます。
• NLIタスク対応: PyTorchを使用して、自然言語推論タスクに適用できます。

📦 インストール

このモデルを使用するには、transformersライブラリが必要です。以下のコマンドでインストールできます。

pip install transformers

💻 使用例

基本的な使用法

ゼロショット分類パイプラインを使用する場合

モデルはzero-shot-classificationパイプラインで以下のように読み込むことができます。

from transformers import pipeline
classifier = pipeline("zero-shot-classification",
                      model="mjwong/multilingual-e5-large-xnli-anli")

このパイプラインを使用して、指定した任意のクラス名にシーケンスを分類できます。

sequence_to_classify = "Angela Merkel ist eine Politikerin in Deutschland und Vorsitzende der CDU"
candidate_labels = ["politics", "economy", "entertainment", "environment"]
classifier(sequence_to_classify, candidate_labels)

複数の候補ラベルが正しい場合、multi_class=Trueを渡して各クラスを独立して計算できます。

candidate_labels = ["politics", "economy", "entertainment", "environment"]
classifier(sequence_to_classify, candidate_labels, multi_label=True)

手動でPyTorchを使用する場合

モデルは、以下のようにNLIタスクにも適用できます。

import torch
from transformers import AutoTokenizer, AutoModelForSequenceClassification

# device = "cuda:0" or "cpu"
device = torch.device("cuda") if torch.cuda.is_available() else torch.device("cpu")

model_name = "mjwong/multilingual-e5-large-xnli-anli"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForSequenceClassification.from_pretrained(model_name)

premise = "But I thought you'd sworn off coffee."
hypothesis = "I thought that you vowed to drink more coffee."

input = tokenizer(premise, hypothesis, truncation=True, return_tensors="pt")
output = model(input["input_ids"].to(device))
prediction = torch.softmax(output["logits"][0], -1).tolist()
label_names = ["entailment", "neutral", "contradiction"]
prediction = {name: round(float(pred) * 100, 2) for pred, name in zip(prediction, label_names)}
print(prediction)

📚 ドキュメント

評価結果

このモデルは、XNLIテストセットを使用して15言語で評価されました。評価指標は正解率です。

また、このモデルは、MultiNLIの開発セットとANLIのテストセットを使用して評価されました。評価指標は正解率です。

学習ハイパーパラメータ

学習時には以下のハイパーパラメータが使用されました。

• 学習率: 2e-05
• 学習バッチサイズ: 16
• 評価バッチサイズ: 16
• シード: 42
• オプティマイザ: Adam (betas=(0.9,0.999), epsilon=1e-08)
• 学習率スケジューラの種類: 線形
• 学習率スケジューラのウォームアップ率: 0.1

フレームワークバージョン

• Transformers 4.28.1
• Pytorch 1.12.1+cu116
• Datasets 2.11.0
• Tokenizers 0.12.1

🔧 技術詳細

このモデルは、Text Embeddings by Weakly-Supervised Contrastive Pre-trainingの手法に基づいています。 著者: Liang Wang, Nan Yang, Xiaolong Huang, Binxing Jiao, Linjun Yang, Daxin Jiang, Rangan Majumder, Furu Wei 出版: arXiv 2022

📄 ライセンス

このモデルはMITライセンスの下で提供されています。