Roberta Base Squad2

🚀 roberta-base問答模型

本模型用於問答任務，基於roberta-base語言模型，在SQuAD 2.0數據集上訓練，能有效解決抽取式問答問題。

🚀 快速開始

注意：這是該模型的第2版。有關更新原因的解釋，請參閱FARM倉庫中的此GitHub問題。如果您想使用第1版，請在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

🔧 技術細節

超參數

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

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

性能

使用官方評估腳本在SQuAD 2.0開發集上進行評估。

"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

💻 使用示例

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

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")

📄 許可證

本模型採用CC BY 4.0許可證。

👥 作者

• 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：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：

• 德語BERT（即“bert-base-german-cased”）
• GermanQuAD和GermanDPR數據集及模型（即“gelectra-base-germanquad”、“gbert-base-germandpr”）
• FARM
• Haystack

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

順便說一下：我們正在招聘！