KM35NCDF

🚀 kasrahabib/KM35NCDF

このモデルは、ソフトウェア要件データセット（SWARD）上で sentence-transformers/all-MiniLM-L6-v2 をファインチューニングしたもので、19種類の非機能要件を分類するために使用されます。文献によると、19種類のクラスのうち、2種類のクラス（DataとBehavior）は機能的ソフトウェア要件のタイプに属します。評価セットでは以下の結果を達成しています。

• 訓練損失: 0.1691
• 検証損失: 0.7548
• エポック数: 14
• 最終マクロF1スコア: 0.79

ラベル: 0 または A -> 可用性; 1 または AC -> アクセス制御; 2 または AU -> 監査; 3 または B -> 振る舞い; 4 または D -> データ; 5 または FT -> 耐障害性; 6 または I -> インターフェース/相互運用性; 7 または LE -> 法的; 8 または LF -> 外観と感触; 9 または MN -> 保守性; 10 または O -> 運用性; 11 または PE -> パフォーマンス; 12 または PO -> 移植性; 13 または RL -> 信頼性; 14 または SA -> 安全性; 15 または SC -> 拡張性; 16 または SE -> セキュリティ; 17 または ST -> 安定性; 18 または US -> 使いやすさ;

🚀 クイックスタート

💻 使用例

基本的な使用法

from transformers import pipeline

frame_work = 'tf'
task = 'text-classification'
model_ckpt = 'kasrahabib/KM35NCDF '

software_requirment_cls = pipeline(task = task, model = model_ckpt, framework = frame_work)

example_1_US = 'Application needs to keep track of subtasks in a task.'
example_2_PE = 'The system shall allow users to enter time in several different formats.'
example_3_AC = 'The system shall allow users who hold any of the ORES/ORELSE/PROVIDER keys to be viewed as a clinical user and has full access privileges to all problem list options.'

software_requirment_cls([example_1_US, example_2_PE, example_3_AC])

[{'label': 'US', 'score': 0.9712953567504883},
 {'label': 'PE', 'score': 0.9457865953445435},
 {'label': 'AC', 'score': 0.9639136791229248}]

高度な使用法

import numpy as np
from transformers import AutoTokenizer, TFAutoModelForSequenceClassification

model_ckpt = 'kasrahabib/KM35NCDF '
tokenizer = AutoTokenizer.from_pretrained(model_ckpt)
model = TFAutoModelForSequenceClassification.from_pretrained(model_ckpt)

example_1_US = 'Application needs to keep track of subtasks in a task.'
example_2_PE = 'The system shall allow users to enter time in several different formats.'
example_3_AC = 'The system shall allow users who hold any of the ORES/ORELSE/PROVIDER keys to be viewed as a clinical user and has full access privileges to all problem list options.'
requirements = [example_1_US, example_2_PE, example_3_AC]

encoded_requirements = tokenizer(requirements, return_tensors = 'np', padding = 'longest')

y_pred = model(encoded_requirements).logits
classifications = np.argmax(y_pred, axis = 1)

classifications = [model.config.id2label[output] for output in classifications]
print(classifications)

['US', 'PE', 'AC']

📦 インストール

ローカルダウンロード時の使用方法 (例: GitHub)

1. リポジトリをクローンします。

git lfs install
git clone url_of_repo

2. ダウンロードしたディレクトリのパスを特定します。
3. model_ckpt 変数にパスのリンクを記述します。

その後、以下のようにコードを修正します。

import numpy as np
from transformers import AutoTokenizer, TFAutoModelForSequenceClassification

model_ckpt =  'rest_of_the_path/KM35NCDF '
tokenizer = AutoTokenizer.from_pretrained(model_ckpt)
model = TFAutoModelForSequenceClassification.from_pretrained(model_ckpt)

example_1_US = 'Application needs to keep track of subtasks in a task.'
example_2_PE = 'The system shall allow users to enter time in several different formats.'
example_3_AC = 'The system shall allow users who hold any of the ORES/ORELSE/PROVIDER keys to be viewed as a clinical user and has full access privileges to all problem list options.'
requirements = [example_1_US, example_2_PE, example_3_AC]

encoded_requirements = tokenizer(requirements, return_tensors = 'np', padding = 'longest')

y_pred = model(encoded_requirements).logits
classifications = np.argmax(y_pred, axis = 1)

classifications = [model.config.id2label[output] for output in classifications]
print(classifications)

📚 ドキュメント

訓練ハイパーパラメータ

訓練中に使用されたハイパーパラメータは以下の通りです。

• オプティマイザ: {'name': 'Adam', 'weight_decay': None, 'clipnorm': None, 'global_clipnorm': None, 'clipvalue': None, 'use_ema': False, 'ema_momentum': 0.99, 'ema_overwrite_frequency': None, 'jit_compile': True, 'is_legacy_optimizer': False, 'learning_rate': {'class_name': 'PolynomialDecay', 'config': {'initial_learning_rate': 2e-05, 'decay_steps': 6735, 'end_learning_rate': 0.0, 'power': 1.0, 'cycle': False, 'name': None}}, 'beta_1': 0.9, 'beta_2': 0.999, 'epsilon': 1e-08, 'amsgrad': False}
• 訓練精度: float32

フレームワークのバージョン

• Transformers 4.26.1
• TensorFlow 2.11.0
• Datasets 2.10.0
• Tokenizers 0.13.2

📄 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。