Minilm L6 Mnli Fever Docnli Ling 2c

🚀 MiniLM-L6-mnli-fever-docnli-ling-2c

本項目的模型可用於文本分類和零樣本分類任務，通過在多個自然語言推理（NLI）數據集上訓練，能夠學習長距離推理，實現對“蘊含”或“非蘊含”的預測。

🚀 快速開始

使用示例

from transformers import AutoTokenizer, AutoModelForSequenceClassification
import torch

model_name = "MoritzLaurer/MiniLM-L6-mnli-fever-docnli-ling-2c"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForSequenceClassification.from_pretrained(model_name)

premise = "I first thought that I liked the movie, but upon second thought it was actually disappointing."
hypothesis = "The movie was good."

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", "not_entailment"]
prediction = {name: round(float(pred) * 100, 1) for pred, name in zip(prediction, label_names)}
print(prediction)

✨ 主要特性

• 該模型在來自8個NLI數據集的1279665個假設 - 前提對上進行訓練，這些數據集包括MultiNLI、Fever-NLI、LingNLI和DocNLI（其中包括ANLI、QNLI、DUC、CNN/DailyMail、Curation）。
• 它是模型中心唯一在8個NLI數據集上訓練的模型，其中DocNLI包含非常長的文本，有助於學習長距離推理。
• 模型基於二元NLI進行訓練，用於預測“蘊含”或“非蘊含”。DocNLI將“中立”和“矛盾”類別合併為“非蘊含”，以創建更多訓練數據。
• 基礎模型是微軟的MiniLM-L6，速度非常快，但比其他模型的準確性稍低。

📚 詳細文檔

預期用途和限制

模型使用方法

使用該模型時，可參考上述代碼示例。

訓練數據

該模型在來自8個NLI數據集的1279665個假設 - 前提對上進行訓練，具體數據集如下：

• MultiNLI
• Fever-NLI
• LingNLI
• DocNLI（包含ANLI、QNLI、DUC、CNN/DailyMail、Curation）

訓練過程

使用Hugging Face訓練器進行訓練，超參數設置如下：

training_args = TrainingArguments(
    num_train_epochs=3,              # total number of training epochs
    learning_rate=2e-05,
    per_device_train_batch_size=32,   # batch size per device during training
    per_device_eval_batch_size=32,    # batch size for evaluation
    warmup_ratio=0.1,                # number of warmup steps for learning rate scheduler
    weight_decay=0.06,               # strength of weight decay
    fp16=True                        # mixed precision training
)

評估結果

使用MultiNLI和ANLI的二元測試集以及Fever-NLI的二元開發集（兩類而非三類）對模型進行評估，評估指標為準確率。

侷限性和偏差

如需瞭解潛在偏差，請參考原始MiniLM論文和不同NLI數據集的相關文獻。

BibTeX引用和引用信息

如果您想引用此模型，請引用原始MiniLM論文、相應的NLI數據集，幷包含此模型在Hugging Face中心的鏈接。

合作想法或問題諮詢

如果您有問題或合作想法，請通過m.laurer{at}vu.nl聯繫我，或訪問LinkedIn。