Ernie M Base Mnli Xnli

🚀 多語言 ernie-m-base-mnli-xnli

多語言 ernie-m-base-mnli-xnli 模型可對 100 種語言進行自然語言推理（NLI），適用於多語言零樣本分類任務。該模型在同等規模下，性能優於 RoBERTa 模型。

🚀 快速開始

本模型可用於多語言自然語言推理和零樣本分類任務。以下是使用示例：

簡單的零樣本分類管道

from transformers import pipeline
classifier = pipeline("zero-shot-classification", model="MoritzLaurer/ernie-m-base-mnli-xnli")

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

NLI 使用場景

from transformers import AutoTokenizer, AutoModelForSequenceClassification
import torch
device = torch.device("cuda") if torch.cuda.is_available() else torch.device("cpu")

model_name = "MoritzLaurer/ernie-m-base-mnli-xnli"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForSequenceClassification.from_pretrained(model_name).to(device)

premise = "Angela Merkel ist eine Politikerin in Deutschland und Vorsitzende der CDU"
hypothesis = "Emmanuel Macron is the President of France"

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

✨ 主要特性

• 多語言支持：可對 100 種語言進行自然語言推理。
• 零樣本分類：適用於多語言零樣本分類任務。
• 性能優越：在同等規模下，性能優於 RoBERTa 模型。

📦 安裝指南

ernie-m 架構僅支持 transformers==4.27 或更高版本（截至 2023 年 3 月 3 日尚未發佈，會在推理小部件中引發錯誤）。在 4.27 版本發佈之前，若要運行該模型，你需要從源代碼安裝 transformers：

pip install git+https://github.com/huggingface/transformers

同時安裝 sentencepiece 分詞器：

pip install sentencepiece

4.27 版本發佈後，你可以運行：

pip install transformers[sentencepiece]>=4.27

📚 詳細文檔

模型描述

這個多語言模型可以對 100 種語言進行自然語言推理（NLI），因此也適用於多語言零樣本分類。其基礎模型由百度基於 Meta 的 RoBERTa 進行預訓練（在 CC100 多語言數據集 上預訓練）。然後在 XNLI 數據集 上進行微調，該數據集包含 15 種語言的假設 - 前提對，以及英文 MNLI 數據集。該模型由百度在 這篇論文 中提出，在同等規模下，性能優於 RoBERTa 模型。

如果你正在尋找一個更快（但性能稍低）的模型，可以嘗試 multilingual-MiniLMv2-L6-mnli-xnli。在同等規模的模型中，mDeBERTa-v3-base-mnli-xnli 在 XNLI 基準測試中表現更好。若追求更好的性能，你可以嘗試速度較慢的 ernie-m-large-mnli-xnli。

訓練數據

該模型在 XNLI 開發數據集和 MNLI 訓練數據集上進行訓練。XNLI 開發集包含 2490 條從英語專業翻譯為其他 14 種語言的文本（總共 37350 條文本）（詳見 這篇論文）。需要注意的是，XNLI 包含 15 種語言的 MNLI 數據集的 15 個機器翻譯版本的訓練集，但由於這些機器翻譯存在質量問題，該模型僅在 XNLI 開發集的專業翻譯和原始英文 MNLI 訓練集（392702 條文本）上進行訓練。不使用機器翻譯文本可以避免模型對 15 種語言過擬合；避免對 ernie-m 預訓練的其他 85 種語言產生災難性遺忘；並顯著降低訓練成本。

訓練過程

ernie-m-base-mnli-xnli 使用 Hugging Face 訓練器進行訓練，使用了以下超參數：

training_args = TrainingArguments(
    num_train_epochs=3,              # 總訓練輪數
    learning_rate=3e-05,
    per_device_train_batch_size=16,   # 訓練期間每個設備的批量大小
    gradient_accumulation_steps=2,
    per_device_eval_batch_size=16,    # 評估時的批量大小
    warmup_ratio=0.1,                # 學習率調度器的熱身步數
    weight_decay=0.01,               # 權重衰減強度
    fp16=True,
)

評估結果

該模型在 15 種語言的 XNLI 測試集上進行了評估（每種語言 5010 條文本，總共 75150 條）。需要注意的是，多語言 NLI 模型能夠在不接收特定語言的 NLI 訓練數據的情況下對 NLI 文本進行分類（跨語言遷移）。這意味著該模型也能夠對 mDeBERTa 訓練的其他 85 種語言進行 NLI，但性能很可能低於 XNLI 中可用的語言。

另外需要注意的是，如果模型中心的其他多語言模型聲稱在非英語語言上的性能約為 90%，作者很可能在測試過程中出現了錯誤，因為最新的論文均未顯示在 XNLI 上的多語言平均性能比 80% 高出幾個百分點（詳見 此處 或 此處）。

🔧 技術細節

模型基於 Meta 的 RoBERTa 架構，先在 CC100 多語言數據集上進行預訓練，再在 XNLI 開發數據集和 MNLI 訓練數據集上進行微調。通過不使用機器翻譯文本，避免了模型過擬合和災難性遺忘問題，同時降低了訓練成本。

📄 許可證

本模型採用 Apache-2.0 許可證。

📋 侷限性和偏差

請參考原始 ernie-m 論文和不同 NLI 數據集的相關文獻，以瞭解潛在的偏差。

📖 引用

如果你使用了這個模型，請引用：Laurer, Moritz, Wouter van Atteveldt, Andreu Salleras Casas, and Kasper Welbers. 2022. ‘Less Annotating, More Classifying – Addressing the Data Scarcity Issue of Supervised Machine Learning with Deep Transfer Learning and BERT - NLI’. Preprint, June. Open Science Framework. https://osf.io/74b8k.

💬 合作建議或問題諮詢

如果你有問題或合作建議，請通過 m{dot}laurer{at}vu{dot}nl 聯繫我，或在 LinkedIn 上與我交流。