Roberta Base Squad2

🚀 ONNX將roberta-base轉換用於問答任務

本項目將 deepset/roberta-base-squad2 模型進行ONNX轉換，用於問答任務。該轉換後的模型能在問答場景中高效運行，為用戶提供準確的答案抽取功能。

🚀 快速開始

模型版本說明

這是模型的第2版。關於更新原因，請參考FARM倉庫中的 此GitHub問題。如果您想使用第1版，在Transformers 3.5中加載模型時指定 revision="v1.0"。例如：

model_name = "deepset/roberta-base-squad2"
pipeline(model=model_name, tokenizer=model_name, revision="v1.0", task="question-answering")

✨ 主要特性

• 語言模型：roberta-base
• 語言：英語
• 下游任務：抽取式問答
• 訓練數據：SQuAD 2.0
• 評估數據：SQuAD 2.0
• 代碼示例：請參考 FARM 中的 示例
• 基礎設施：4x Tesla v100

模型信息表格

📦 安裝指南

文檔未提及具體安裝步驟，故跳過此章節。

💻 使用示例

基礎用法

在Transformers中使用

from transformers import AutoModelForQuestionAnswering, AutoTokenizer, pipeline

model_name = "deepset/roberta-base-squad2"

# a) 獲取預測結果
nlp = pipeline('question-answering', model=model_name, tokenizer=model_name)
QA_input = {
    'question': 'Why is model conversion important?',
    'context': 'The option to convert models between FARM and transformers gives freedom to the user and let people easily switch between frameworks.'
}
res = nlp(QA_input)

# b) 加載模型和分詞器
model = AutoModelForQuestionAnswering.from_pretrained(model_name)
tokenizer = AutoTokenizer.from_pretrained(model_name)

在FARM中使用

from farm.modeling.adaptive_model import AdaptiveModel
from farm.modeling.tokenization import Tokenizer
from farm.infer import Inferencer

model_name = "deepset/roberta-base-squad2"

# a) 獲取預測結果
nlp = Inferencer.load(model_name, task_type="question_answering")
QA_input = [{"questions": ["Why is model conversion important?"],
             "text": "The option to convert models between FARM and transformers gives freedom to the user and let people easily switch between frameworks."}]
res = nlp.inference_from_dicts(dicts=QA_input, rest_api_schema=True)

# b) 加載模型和分詞器
model = AdaptiveModel.convert_from_transformers(model_name, device="cpu", task_type="question_answering")
tokenizer = Tokenizer.load(model_name)

在haystack中使用

若要進行大規模問答（即處理多篇文檔而非單個段落），您也可以在 haystack 中加載該模型：

reader = FARMReader(model_name_or_path="deepset/roberta-base-squad2")
# 或者
reader = TransformersReader(model_name_or_path="deepset/roberta-base-squad2",tokenizer="deepset/roberta-base-squad2")

📚 詳細文檔

超參數設置

batch_size = 96
n_epochs = 2
base_LM_model = "roberta-base"
max_seq_len = 386
learning_rate = 3e-5
lr_schedule = LinearWarmup
warmup_proportion = 0.2
doc_stride=128
max_query_length=64

蒸餾模型替代方案

請注意，我們還發布了該模型的蒸餾版本 deepset/tinyroberta-squad2。蒸餾模型的預測質量相當，但運行速度是基礎模型的兩倍。

性能評估

使用 官方評估腳本 在SQuAD 2.0開發集上進行評估，結果如下：

"exact": 79.87029394424324,
"f1": 82.91251169582613,

"total": 11873,
"HasAns_exact": 77.93522267206478,
"HasAns_f1": 84.02838248389763,
"HasAns_total": 5928,
"NoAns_exact": 81.79983179142137,
"NoAns_f1": 81.79983179142137,
"NoAns_total": 5945

🔧 技術細節

文檔未提供足夠詳細的技術實現細節，故跳過此章節。

📄 許可證

本項目採用CC BY 4.0許可證。

👥 作者信息

• Branden Chan: branden.chan [at] deepset.ai
• Timo Möller: timo.moeller [at] deepset.ai
• Malte Pietsch: malte.pietsch [at] deepset.ai
• Tanay Soni: tanay.soni [at] deepset.ai

🌟 關於我們

我們通過開源將自然語言處理技術引入工業界！ 我們的重點領域：特定行業的語言模型和大規模問答系統。

我們的部分工作成果：

• 德國BERT（又名 "bert-base-german-cased"）
• GermanQuAD和GermanDPR數據集及模型（又名 "gelectra-base-germanquad", "gbert-base-germandpr"）
• FARM
• Haystack

聯繫我們： Twitter | LinkedIn | Slack | GitHub討論區 | 網站

順便一提：我們正在招聘！