Xlm Roberta Large Xquad

🚀 xlm-roberta-large用於多語言問答

本項目使用xlm-roberta-large語言模型處理多語言問答任務，在多語言問答數據集上展現出良好性能，為多語言環境下的問答應用提供了有效的解決方案。

🚀 快速開始

本模型可用於多語言問答任務，下面將展示在不同框架中的使用示例。

✨ 主要特性

• 語言模型：採用xlm-roberta-large語言模型。
• 下游任務：適用於抽取式問答任務。
• 訓練數據：使用XQuAD數據集進行訓練和測試。

📦 安裝指南

文檔未提及安裝步驟，暫不展示。

💻 使用示例

基礎用法

在Transformers框架中使用

from transformers import AutoModelForQuestionAnswering, AutoTokenizer, pipeline

model_name = "alon-albalak/xlm-roberta-large-xquad"

# a) Get predictions
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) Load model & tokenizer
model = AutoModelForQuestionAnswering.from_pretrained(model_name)
tokenizer = AutoTokenizer.from_pretrained(model_name)

在FARM框架中使用

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

model_name = "alon-albalak/xlm-roberta-large-xquad"

# a) Get predictions
nlp = QAInferencer.load(model_name)
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) Load model & tokenizer
model = AdaptiveModel.convert_from_transformers(model_name, device="cpu", task_type="question_answering")
tokenizer = Tokenizer.load(model_name)

在Haystack框架中使用

reader = FARMReader(model_name_or_path="alon-albalak/xlm-roberta-large-xquad")
# or 
reader = TransformersReader(model="alon-albalak/xlm-roberta-large-xquad",tokenizer="alon-albalak/xlm-roberta-large-xquad")

使用說明參考自：https://huggingface.co/deepset/xlm-roberta-large-squad2

高級用法

文檔未提及高級用法示例，暫不展示。

📚 詳細文檔

超參數設置

batch_size = 48
n_epochs = 13
max_seq_len = 384
doc_stride = 128
learning_rate = 3e-5

性能評估

在XQuAD的保留測試集上進行評估：

"exact_match": 87.12546816479401,
"f1": 94.77703248802527,
"test_samples": 2307

🔧 技術細節

文檔未提供具體技術細節，暫不展示。

📄 許可證

文檔未提及許可證信息，暫不展示。