Minilm L6 Mnli

🚀 MiniLM-L6-mnli

這是一個用於文本分類和零樣本分類的模型，基於MiniLM-L6架構，在MultiNLI數據集上訓練，速度快但精度略遜於其他模型。

🚀 快速開始

本模型可用於文本分類和零樣本分類任務，以下是使用示例：

from transformers import AutoTokenizer, AutoModelForSequenceClassification
import torch

model_name = "MoritzLaurer/MiniLM-L6-mnli"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForSequenceClassification.from_pretrained(model_name)

premise = "I liked the movie"
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", "neutral", "contradiction"]
prediction = {name: round(float(pred) * 100, 1) for pred, name in zip(prediction, label_names)}
print(prediction)

✨ 主要特性

• 適用任務：適用於文本分類和零樣本分類任務。
• 基礎模型：基於微軟的MiniLM-L6，速度快，但精度略低於其他模型。

📦 安裝指南

文檔未提及具體安裝步驟，可參考Hugging Face相關庫的安裝方式來安裝所需依賴。

💻 使用示例

基礎用法

from transformers import AutoTokenizer, AutoModelForSequenceClassification
import torch

model_name = "MoritzLaurer/MiniLM-L6-mnli"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForSequenceClassification.from_pretrained(model_name)

premise = "I liked the movie"
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", "neutral", "contradiction"]
prediction = {name: round(float(pred) * 100, 1) for pred, name in zip(prediction, label_names)}
print(prediction)

📚 詳細文檔

訓練數據

模型使用MultiNLI數據集進行訓練。

訓練過程

MiniLM-L6-mnli-binary使用Hugging Face的訓練器進行訓練，超參數如下：

training_args = TrainingArguments(
    num_train_epochs=5,              # 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

模型使用MultiNLI的（匹配）測試集進行評估，準確率為0.814。

🔧 技術細節

• 模型基於微軟的MiniLM-L6架構，在MultiNLI數據集上進行訓練。
• 使用Hugging Face的訓練器進行訓練，並設置了一系列超參數。

📄 許可證

文檔未提及許可證相關信息。

引用信息

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

⚠️ 重要提示

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