Nli Deberta V3 Xsmall

🚀 自然語言推理跨編碼器

本模型利用跨編碼器技術，基於預訓練模型構建，可對句子對進行推理判斷，輸出矛盾、蘊含、中立三種關係得分，還能用於零樣本分類任務，在自然語言處理中具有廣泛應用價值。

🚀 快速開始

本模型是使用 SentenceTransformers 的 Cross-Encoder 類進行訓練的。該模型基於 microsoft/deberta-v3-xsmall。

✨ 主要特性

• 基於預訓練模型構建，具有良好的泛化能力。
• 可對句子對進行推理，輸出矛盾、蘊含、中立三種關係的得分。
• 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 官方文檔進行安裝。

💻 使用示例

基礎用法

預訓練模型可以按如下方式使用：

from sentence_transformers import CrossEncoder
model = CrossEncoder('cross-encoder/nli-deberta-v3-xsmall')
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

你也可以直接使用 Transformers 庫（不使用 SentenceTransformers 庫）來使用該模型：

from transformers import AutoTokenizer, AutoModelForSequenceClassification
import torch

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

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

該模型還可用於零樣本分類：

from transformers import pipeline

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

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

該模型在 SNLI 和 MultiNLI 數據集上進行訓練。對於給定的句子對，它將輸出對應於以下標籤的三個分數：矛盾、蘊含、中立。

性能表現

• 在 SNLI 測試數據集上的準確率：91.64
• 在 MNLI 不匹配集上的準確率：87.77

更多評估結果，請參閱 SBERT.net - 預訓練跨編碼器。

📄 許可證

本項目採用 Apache-2.0 許可證。