Nli Deberta V3 Large

🚀 自然語言推理跨編碼器

本模型是用於自然語言推理的跨編碼器，基於SentenceTransformers庫進行訓練。它能夠對給定的句子對進行推理，輸出矛盾、蘊含、中立三種標籤對應的得分。可用於自然語言推理任務，如文本分類、語義匹配等場景。

🚀 快速開始

本模型使用 SentenceTransformers 的 Cross-Encoder 類進行訓練，基於 microsoft/deberta-v3-large 構建。

✨ 主要特性

• 基於強大的 microsoft/deberta-v3-large 模型，具有良好的語義理解能力。
• 可對給定的句子對輸出矛盾、蘊含、中立三種標籤對應的得分。
• 支持零樣本分類任務。

📦 安裝指南

文檔未提及具體安裝步驟，可參考 SentenceTransformers 和 Transformers 庫的官方安裝說明。

💻 使用示例

基礎用法

使用預訓練模型的示例代碼：

from sentence_transformers import CrossEncoder
model = CrossEncoder('cross-encoder/nli-deberta-v3-large')
scores = model.predict([('A man is eating pizza', 'A man eats something'), ('A black race car starts up in front of a crowd of people.', 'A man is driving down a lonely road.')])

#Convert scores to labels
label_mapping = ['contradiction', 'entailment', 'neutral']
labels = [label_mapping[score_max] for score_max in scores.argmax(axis=1)]

高級用法

直接使用 Transformers 庫（不使用 SentenceTransformers 庫）的示例代碼：

from transformers import AutoTokenizer, AutoModelForSequenceClassification
import torch

model = AutoModelForSequenceClassification.from_pretrained('cross-encoder/nli-deberta-v3-large')
tokenizer = AutoTokenizer.from_pretrained('cross-encoder/nli-deberta-v3-large')

features = tokenizer(['A man is eating pizza', 'A black race car starts up in front of a crowd of people.'], ['A man eats something', 'A man is driving down a lonely road.'],  padding=True, truncation=True, return_tensors="pt")

model.eval()
with torch.no_grad():
    scores = model(**features).logits
    label_mapping = ['contradiction', 'entailment', 'neutral']
    labels = [label_mapping[score_max] for score_max in scores.argmax(dim=1)]
    print(labels)

零樣本分類用法

該模型用於零樣本分類的示例代碼：

from transformers import pipeline

classifier = pipeline("zero-shot-classification", model='cross-encoder/nli-deberta-v3-large')

sent = "Apple just announced the newest iPhone X"
candidate_labels = ["technology", "sports", "politics"]
res = classifier(sent, candidate_labels)
print(res)

📚 詳細文檔

訓練數據

模型在 SNLI 和 MultiNLI 數據集上進行訓練。對於給定的句子對，模型將輸出對應於矛盾、蘊含、中立三種標籤的得分。

性能表現

• SNLI 測試數據集上的準確率：92.20
• MNLI 不匹配集上的準確率：90.49

更多評估結果，請參考 SBERT.net - Pretrained Cross-Encoder。

📄 許可證

本項目採用 Apache-2.0 許可證。

📋 信息表格