Nli Deberta V3 Large

🚀 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を用いて訓練され、高い精度で文の関係を判定します。

🚀 クイックスタート

このモデルは、SentenceTransformers の Cross-Encoder クラスを使用して訓練されています。ベースモデルは microsoft/deberta-v3-large です。

✨ 主な機能

• 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。
• ゼロショット分類にも利用できます。

📦 インストール

このモデルを使用するには、必要なライブラリをインストールする必要があります。以下のコマンドを実行してください。

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-large')
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

Transformersライブラリを直接使用する場合の例です。

from transformers import AutoTokenizer, AutoModelForSequenceClassification
import torch

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

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-large')

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

訓練データ

このモデルは、SNLI と MultiNLI のデータセットを使用して訓練されています。

性能

• SNLIテストデータセットでの精度: 92.20
• MNLIミスマッチセットでの精度: 90.49

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ライセンスの下で公開されています。