Deberta V3 Xsmall Mnli Fever Anli Ling Binary

🚀 DeBERTa-v3-xsmall-mnli-fever-anli-ling-binary

本模型主要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，能有效預測“蘊含”或“非蘊含”關係，為相關自然語言處理任務提供支持。

🚀 快速開始

以下是使用該模型進行預測的示例代碼：

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

model_name = "MoritzLaurer/DeBERTa-v3-xsmall-mnli-fever-anli-ling-binary"
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4個自然語言推理（NLI）數據集的782357個假設 - 前提對上進行訓練。
• 專門針對零樣本分類進行設計，在二分類NLI任務中預測“蘊含”或“非蘊含”。
• 基於微軟的DeBERTa - v3 - xsmall模型，其v3變體通過不同的預訓練目標顯著優於先前版本。

📦 安裝指南

文檔未提供具體安裝步驟，可參考Hugging Face Transformers庫的安裝方法，使用以下命令安裝：

pip install transformers

💻 使用示例

基礎用法

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

model_name = "MoritzLaurer/DeBERTa-v3-xsmall-mnli-fever-anli-ling-binary"
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)

高級用法

文檔未提供高級用法示例。

📚 詳細文檔

模型描述

該模型在來自4個NLI數據集的782357個假設 - 前提對上進行訓練，這些數據集包括：MultiNLI、Fever - NLI、LingNLI和ANLI。

需要注意的是，該模型在二分類NLI任務上進行訓練，用於預測“蘊含”或“非蘊含”，這是專門為零樣本分類設計的，因為在零樣本分類中“中立”和“矛盾”之間的區別無關緊要。

基礎模型是微軟的DeBERTa - v3 - xsmall。DeBERTa的v3變體通過包含不同的預訓練目標，顯著優於該模型的先前版本，詳情見DeBERTa - V3論文。

若追求更高性能（但速度較慢），建議使用https://huggingface.co/MoritzLaurer/DeBERTa - v3 - large - mnli - fever - anli - ling - wanli。

預期用途和限制

模型使用方法

見上文使用示例部分。

訓練數據

該模型在來自4個NLI數據集的782357個假設 - 前提對上進行訓練，這些數據集包括：MultiNLI、Fever - NLI、LingNLI和ANLI。

訓練過程

DeBERTa - v3 - xsmall - mnli - fever - anli - ling - binary使用Hugging Face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

該模型使用MultiNLI、ANLI、LingNLI的二分類測試集和Fever - NLI的二分類驗證集（兩個類別而非三個）進行評估，使用的指標是準確率。

🔧 技術細節

• 模型基於DeBERTa - v3 - xsmall架構，通過不同的預訓練目標提升性能。
• 在二分類NLI任務上訓練，專注於預測“蘊含”或“非蘊含”。
• 使用Hugging Face訓練器進行訓練，設置了特定的超參數，如訓練輪數、學習率、批次大小等。

📄 許可證

本模型使用MIT許可證。

侷限性和偏差

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

引用

如果使用此模型，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.

合作想法或問題諮詢

如果您有合作想法或問題，請通過m{dot}laurer{at}vu{dot}nl聯繫我，或訪問領英。

調試和問題

請注意，DeBERTa - v3於2021年12月6日發佈，較舊版本的Hugging Face Transformers庫在運行該模型時可能會出現問題（例如分詞器問題）。使用Transformers >= 4.13可能會解決一些問題。