Nli Deberta V3 Small

🚀 自然言語推論用クロスエンコーダ

このモデルは、自然言語推論のタスクに特化したクロスエンコーダです。SentenceTransformersのCross-Encoderクラスを用いて学習されており、microsoft/deberta-v3-smallをベースに構築されています。

🚀 クイックスタート

このモデルは、自然言語推論のタスクに使用できます。与えられた文のペアに対して、矛盾、含意、中立の3つのラベルに対応するスコアを出力します。

✨ 主な機能

• 高精度な自然言語推論：SNLIとMultiNLIデータセットで学習され、高い精度を達成しています。
• ゼロショット分類：事前学習されたモデルを用いて、新しいクラスに対する分類タスクを実行できます。

📦 インストール

このモデルを使用するには、sentence-transformersまたは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 sentence-transformers transformers

💻 使用例

基本的な使用法

from sentence_transformers import CrossEncoder
model = CrossEncoder('cross-encoder/nli-deberta-v3-small')
scores = model.predict([('A man is eating pizza', 'A man eats something'), ('A black race car starts up in front of a crowd of people.', 'A man is driving down a lonely road.')])

#Convert scores to labels
label_mapping = ['contradiction', 'entailment', 'neutral']
labels = [label_mapping[score_max] for score_max in scores.argmax(axis=1)]

高度な使用法

from transformers import AutoTokenizer, AutoModelForSequenceClassification
import torch

model = AutoModelForSequenceClassification.from_pretrained('cross-encoder/nli-deberta-v3-small')
tokenizer = AutoTokenizer.from_pretrained('cross-encoder/nli-deberta-v3-small')

features = tokenizer(['A man is eating pizza', 'A black race car starts up in front of a crowd of people.'], ['A man eats something', 'A man is driving down a lonely road.'],  padding=True, truncation=True, return_tensors="pt")

model.eval()
with torch.no_grad():
    scores = model(**features).logits
    label_mapping = ['contradiction', 'entailment', 'neutral']
    labels = [label_mapping[score_max] for score_max in scores.argmax(dim=1)]
    print(labels)

ゼロショット分類の使用法

from transformers import pipeline

classifier = pipeline("zero-shot-classification", model='cross-encoder/nli-deberta-v3-small')

sent = "Apple just announced the newest iPhone X"
candidate_labels = ["technology", "sports", "politics"]
res = classifier(sent, candidate_labels)
print(res)

📚 ドキュメント

学習データ

このモデルは、SNLIとMultiNLIデータセットで学習されています。与えられた文のペアに対して、矛盾、含意、中立の3つのラベルに対応するスコアを出力します。

性能

• SNLIテストデータセットでの精度: 91.65
• MNLIミスマッチセットでの精度: 87.55

詳細な評価結果については、SBERT.net - Pretrained Cross-Encoderを参照してください。

📄 ライセンス

このモデルは、Apache-2.0ライセンスの下で提供されています。

情報テーブル