Scibert Scivocab Uncased Squad V2

🚀 科學問答模型

本項目基於預訓練模型進行微調，構建了一個適用於科學領域的問答模型。該模型在特定數據集上進行訓練，能夠有效處理科學文獻相關的問答任務，為科學研究和知識探索提供了有力支持。

🚀 快速開始

本模型基於預訓練模型 allenai/scibert_scivocab_uncased，在 SQuAD V2 數據集上進行微調。微調使用了 run_squad.py 腳本。

📦 安裝指南

訓練環境

在 4 塊 NVIDIA GeForce RTX 2080 Ti 11Gb GPU 上進行訓練。

訓練命令

BASE_MODEL=allenai/scibert_scivocab_uncased
python run_squad.py \
  --version_2_with_negative \
  --model_type albert \
  --model_name_or_path $BASE_MODEL \
  --output_dir $OUTPUT_MODEL \
  --do_eval \
  --do_lower_case \
  --train_file $SQUAD_DIR/train-v2.0.json \
  --predict_file $SQUAD_DIR/dev-v2.0.json \
  --per_gpu_train_batch_size 18 \
  --per_gpu_eval_batch_size 64 \
  --learning_rate 3e-5 \
  --num_train_epochs 3.0 \
  --max_seq_length 384 \
  --doc_stride 128 \
  --save_steps 2000 \
  --threads 24 \
  --warmup_steps 550 \
  --gradient_accumulation_steps 1 \
  --fp16 \
  --logging_steps 50 \
  --do_train

📚 詳細文檔

評估結果

在開發集上進行評估，未進行最佳閾值搜索。

💻 使用示例

基礎用法

可參考 huggingface 文檔。在 SQuAD V2 上訓練的模型可以判斷段落是否包含答案：

start_scores, end_scores = model(input_ids) 
span_scores = start_scores.softmax(dim=1).log()[:,:,None] + end_scores.softmax(dim=1).log()[:,None,:]
ignore_score = span_scores[:,0,0] #no answer scores