Camembert Base Xnli

🚀 camembert-base-xnli

這是原始的BaptisteDoyen/camembert-base-xnli模型的副本，因為該模型當前顯示404錯誤。以下是BaptisteDoyen/camembert-base-xnli頁面上的模型卡片內容。本模型是在XNLI數據集的法語部分上微調的Camembert-base模型，是少數適用於法語的零樣本分類模型之一 🇫🇷。

🚀 快速開始

此模型有兩種不同的使用方式：

作為零樣本序列分類器

classifier = pipeline("zero-shot-classification", 
                      model="BaptisteDoyen/camembert-base-xnli")

sequence = "L'équipe de France joue aujourd'hui au Parc des Princes"
candidate_labels = ["sport","politique","science"]
hypothesis_template = "Ce texte parle de {}."    

classifier(sequence, candidate_labels, hypothesis_template=hypothesis_template)     
# outputs :                                        
# {'sequence': "L'équipe de France joue aujourd'hui au Parc des Princes",
# 'labels': ['sport', 'politique', 'science'],
# 'scores': [0.8595073223114014, 0.10821866989135742, 0.0322740375995636]}                      

作為前提/假設檢查器

這裡的思路是計算形式為 $P(premise|hypothesis)$ 的概率。

# load model and tokenizer
nli_model = AutoModelForSequenceClassification.from_pretrained("BaptisteDoyen/camembert-base-xnli")
tokenizer = AutoTokenizer.from_pretrained("BaptisteDoyen/camembert-base-xnli") 
# sequences
premise = "le score pour les bleus est élevé"
hypothesis = "L'équipe de France a fait un bon match"
# tokenize and run through model
x = tokenizer.encode(premise, hypothesis, return_tensors='pt')
logits = nli_model(x)[0]
# we throw away "neutral" (dim 1) and take the probability of
# "entailment" (0) as the probability of the label being true 
entail_contradiction_logits = logits[:,::2]
probs = entail_contradiction_logits.softmax(dim=1)
prob_label_is_true = probs[:,0]
prob_label_is_true[0].tolist() * 100
# outputs
# 86.40775084495544

✨ 主要特性

• 基於Camembert-base模型，在XNLI數據集的法語部分上進行了微調。
• 是少數適用於法語的零樣本分類模型之一。

📦 安裝指南

使用以下命令加載訓練數據：

from datasets import load_dataset
dataset = load_dataset('xnli', 'fr')                     

📚 詳細文檔

模型描述

Camembert-base模型在XNLI數據集的法語部分上進行了微調，是少數適用於法語的零樣本分類模型之一 🇫🇷。

預期用途和限制

如何使用

有兩種不同的使用方式：

• 作為零樣本序列分類器：使用pipeline進行零樣本序列分類。
• 作為前提/假設檢查器：計算前提和假設之間的概率。

訓練數據

訓練數據是Facebook在2018年發佈的XNLI數據集的法語部分。可以使用datasets庫輕鬆加載。

訓練/微調過程

訓練過程相當基礎，是在雲端使用單個GPU進行的。主要訓練參數如下：

• lr = 2e-5 with lr_scheduler_type = "linear"
• num_train_epochs = 4
• batch_size = 12 (受GPU內存限制)
• weight_decay = 0.01
• metric_for_best_model = "eval_accuracy"

評估結果

在驗證集和測試集上獲得了以下結果：

🔧 技術細節

該模型基於Camembert-base架構，在XNLI數據集的法語部分上進行了微調。訓練過程中使用了單個GPU，設置了特定的學習率、訓練輪數、批次大小等參數。

📄 許可證

本模型使用MIT許可證。