Multilingual E5 Large Xnli Anli

🚀 多語言e5-large-xnli-anli模型

本模型是在XNLI和ANLI數據集上對 intfloat/multilingual-e5-large 進行微調後的版本，可用於零樣本分類等自然語言處理任務，為多語言文本分類提供了高效解決方案。

🚀 快速開始

本模型可通過零樣本分類管道或手動使用PyTorch加載和應用，以下為你詳細介紹使用方法。

✨ 主要特性

• 多語言支持：支持英語、阿拉伯語、保加利亞語、德語等多種語言。
• 微調優化：在XNLI和ANLI數據集上進行微調，提升了模型性能。
• 零樣本分類：可直接對未見過的類別進行分類。

📦 安裝指南

文檔未提及安裝步驟，可參考Hugging Face相關庫的安裝方法，確保安裝 transformers、torch、datasets、tokenizers 等依賴庫。

💻 使用示例

基礎用法

使用零樣本分類管道

模型可以通過 zero-shot-classification 管道加載，示例代碼如下：

from transformers import pipeline
classifier = pipeline("zero-shot-classification",
                      model="mjwong/multilingual-e5-large-xnli-anli")

你可以使用這個管道將序列分類到你指定的任何類別名稱中。

sequence_to_classify = "Angela Merkel ist eine Politikerin in Deutschland und Vorsitzende der CDU"
candidate_labels = ["politics", "economy", "entertainment", "environment"]
classifier(sequence_to_classify, candidate_labels)

如果多個候選標籤都可能正確，可以傳遞 multi_class=True 來獨立計算每個類別：

candidate_labels = ["politics", "economy", "entertainment", "environment"]
classifier(sequence_to_classify, candidate_labels, multi_label=True)

手動使用PyTorch

模型也可以應用於NLI任務，示例代碼如下：

import torch
from transformers import AutoTokenizer, AutoModelForSequenceClassification

# device = "cuda:0" or "cpu"
device = torch.device("cuda") if torch.cuda.is_available() else torch.device("cpu")

model_name = "mjwong/multilingual-e5-large-xnli-anli"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForSequenceClassification.from_pretrained(model_name)

premise = "But I thought you'd sworn off coffee."
hypothesis = "I thought that you vowed to drink more coffee."

input = tokenizer(premise, hypothesis, truncation=True, return_tensors="pt")
output = model(input["input_ids"].to(device))
prediction = torch.softmax(output["logits"][0], -1).tolist()
label_names = ["entailment", "neutral", "contradiction"]
prediction = {name: round(float(pred) * 100, 2) for pred, name in zip(prediction, label_names)}
print(prediction)

📚 詳細文檔

評估結果

模型在15種語言的XNLI測試集上進行了評估，使用的指標是準確率。

模型還在MultiNLI的開發集和ANLI的測試集上進行了評估，使用的指標同樣是準確率。

訓練超參數

訓練過程中使用了以下超參數：

• 學習率：2e-05
• 訓練批次大小：16
• 評估批次大小：16
• 隨機種子：42
• 優化器：Adam，betas=(0.9, 0.999)，epsilon=1e-08
• 學習率調度器類型：線性
• 學習率調度器熱身比例：0.1

框架版本

• Transformers 4.28.1
• Pytorch 1.12.1+cu116
• Datasets 2.11.0
• Tokenizers 0.12.1

🔧 技術細節

模型基於 Text Embeddings by Weakly-Supervised Contrastive Pre-training 論文中的方法，由Liang Wang、Nan Yang、Xiaolong Huang等人於2022年提出。該模型通過弱監督對比預訓練學習文本嵌入，在多語言自然語言處理任務中表現出色。

📄 許可證

本模型使用MIT許可證。