Deberta V3 Large Boolq

🚀 deberta-v3-large_boolq

このモデルは、boolqデータセットでmicrosoft/deberta-v3-largeをファインチューニングしたバージョンです。評価セットでは以下の結果を達成しています。

• 損失: 0.4601
• 正解率: 0.8835

🚀 クイックスタート

このモデルは、boolqデータセットでmicrosoft/deberta-v3-largeをファインチューニングしたものです。評価セットでは、損失が0.4601、正解率が0.8835という結果を得ています。

✨ 主な機能

このモデルは、テキスト分類タスクに特化しており、boolqデータセットで訓練されています。

📦 インストール

このREADMEには具体的なインストール手順が記載されていないため、このセクションは省略されます。

💻 使用例

基本的な使用法

import torch
from transformers import AutoModelForSequenceClassification, AutoTokenizer

model = AutoModelForSequenceClassification.from_pretrained("nfliu/deberta-v3-large_boolq")
tokenizer = AutoTokenizer.from_pretrained("nfliu/deberta-v3-large_boolq")

# Each example is a (question, context) pair.
examples = [
    ("Lake Tahoe is in California", "Lake Tahoe is a popular tourist spot in California."),
    ("Water is wet", "Contrary to popular belief, water is not wet.")
]

encoded_input = tokenizer(examples, padding=True, truncation=True, return_tensors="pt")

with torch.no_grad():
    model_output = model(**encoded_input)
    probabilities = torch.softmax(model_output.logits, dim=-1).cpu().tolist()

probability_no = [round(prob[0], 2) for prob in probabilities]
probability_yes = [round(prob[1], 2) for prob in probabilities]

for example, p_no, p_yes in zip(examples, probability_no, probability_yes):
    print(f"Question: {example[0]}")
    print(f"Context: {example[1]}")
    print(f"p(No | question, context): {p_no}")
    print(f"p(Yes | question, context): {p_yes}")
    print()

📚 ドキュメント

モデルの説明

詳細な情報はありません。

想定される用途と制限

詳細な情報はありません。

訓練と評価データ

詳細な情報はありません。

訓練手順

訓練ハイパーパラメータ

訓練中に以下のハイパーパラメータが使用されました。

• 学習率: 1e-05
• 訓練バッチサイズ: 16
• 評価バッチサイズ: 8
• シード: 42
• 勾配蓄積ステップ: 2
• 総訓練バッチサイズ: 32
• 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
• エポック数: 5.0

訓練結果

フレームワークのバージョン

• Transformers 4.32.1
• Pytorch 2.0.1+cu117
• Datasets 2.14.4
• Tokenizers 0.13.3

📄 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。