Bart Squadv2

🚀 BART-LARGE在SQuADv2上微調

這是一個在SQuADv2數據集上針對問答任務進行微調的bart-large模型。該模型可有效處理問答相關問題，為自然語言處理領域的問答場景提供了有力支持。

🚀 快速開始

你可以通過以下代碼示例快速使用該模型進行問答任務：

from transformers import BartTokenizer, BartForQuestionAnswering
import torch

tokenizer = BartTokenizer.from_pretrained('a-ware/bart-squadv2')
model = BartForQuestionAnswering.from_pretrained('a-ware/bart-squadv2')

question, text = "Who was Jim Henson?", "Jim Henson was a nice puppet"
encoding = tokenizer(question, text, return_tensors='pt')
input_ids = encoding['input_ids']
attention_mask = encoding['attention_mask']

start_scores, end_scores = model(input_ids, attention_mask=attention_mask, output_attentions=False)[:2]

all_tokens = tokenizer.convert_ids_to_tokens(input_ids[0])
answer = ' '.join(all_tokens[torch.argmax(start_scores) : torch.argmax(end_scores)+1])
answer = tokenizer.convert_tokens_to_ids(answer.split())
answer = tokenizer.decode(answer)
#answer => 'a nice puppet' 

✨ 主要特性

• 多任務適用性：BART是一個seq2seq模型，適用於自然語言生成（NLG）和自然語言理解（NLU）任務。
• 長序列處理能力：能夠處理長達1024個標記的序列。
• 性能表現：在SQuAD數據集上，bart-large取得了與ROBERTa相當的成績。

📚 詳細文檔

模型詳情

BART在論文 BART: Denoising Sequence-to-Sequence Pre-training for Natural Language Generation, Translation, and Comprehension 中被提出。為了將BART用於問答任務，我們將完整的文檔輸入到編碼器和解碼器中，並使用解碼器的頂層隱藏狀態作為每個單詞的表示，該表示用於對標記進行分類。

模型訓練

該模型使用simpletransformers包裝器並通過以下參數進行訓練：

train_args = {
    'learning_rate': 1e-5,
    'max_seq_length': 512,
    'doc_stride': 512,
    'overwrite_output_dir': True,
    'reprocess_input_data': False,
    'train_batch_size': 8,
    'num_train_epochs': 2,
    'gradient_accumulation_steps': 2,
    'no_cache': True,
    'use_cached_eval_features': False,
    'save_model_every_epoch': False,
    'output_dir': "bart-squadv2",
    'eval_batch_size': 32,
    'fp16_opt_level': 'O2',
    }

你甚至可以使用這個Colab筆記本訓練自己的模型

模型效果

{"correct": 6832, "similar": 4409, "incorrect": 632, "eval_loss": -14.950117511952177}

由A-ware UG ❤️創建