Deberta V3 Base Mnli Fever Docnli Ling 2c

🚀 DeBERTa-v3-base-mnli-fever-docnli-ling-2c

該模型主要用於文本分類和零樣本分類任務。它基於多個自然語言推理（NLI）數據集進行訓練，能有效預測“蘊含”或“非蘊含”關係，在相關任務中表現出色。

🚀 快速開始

本模型可用於簡單的零樣本分類任務，也能處理自然語言推理（NLI）相關用例。以下是使用示例：

💻 使用示例

基礎用法

from transformers import pipeline
classifier = pipeline("zero-shot-classification", model="MoritzLaurer/DeBERTa-v3-base-mnli-fever-docnli-ling-2c")
sequence_to_classify = "Angela Merkel is a politician in Germany and leader of the CDU"
candidate_labels = ["politics", "economy", "entertainment", "environment"]
output = classifier(sequence_to_classify, candidate_labels, multi_label=False)
print(output)

高級用法

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-base-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

• 該模型是模型中心唯一在8個NLI數據集上訓練的模型，其中包括包含長文本的DocNLI，可學習長距離推理。
• 基於Microsoft的DeBERTa-v3-base模型，其v3變體通過不同的預訓練目標顯著優於之前的版本。
• 模型在二分類NLI任務上進行訓練，可預測“蘊含”或“非蘊含”關係。

📦 安裝指南

文檔未提及具體安裝步驟，可參考Hugging Face的相關文檔進行安裝。

📚 詳細文檔

模型描述

該模型基於8個NLI數據集的1279665個假設 - 前提對進行訓練，這些數據集包括MultiNLI、Fever-NLI、LingNLI和DocNLI（其中包括ANLI、QNLI、DUC、CNN/DailyMail、Curation）。

基礎模型是Microsoft的DeBERTa-v3-base。DeBERTa的v3變體通過不同的預訓練目標顯著優於之前的版本，具體可參考原始DeBERTa論文的附錄11以及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。

訓練數據

該模型基於8個NLI數據集的1279665個假設 - 前提對進行訓練，這些數據集包括MultiNLI、Fever-NLI、LingNLI和DocNLI（其中包括ANLI、QNLI、DUC、CNN/DailyMail、Curation）。

訓練過程

DeBERTa-v3-small-mnli-fever-docnli-ling-2c使用Hugging Face訓練器進行訓練，超參數如下：

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

該模型使用MultiNLI和ANLI的二分類測試集以及Fever-NLI的二分類開發集進行評估（兩個類別而非三個），使用的指標是準確率。

🔧 技術細節

• 模型在二分類NLI任務上進行訓練，將DocNLI數據集中的“中立”和“矛盾”類別合併為“非蘊含”類別。
• 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？

如果您有問題或合作想法，請通過m{dot}laurer{at}vu{dot}nl聯繫我，或在LinkedIn上與我聯繫。

調試和問題

請注意，DeBERTa-v3於2021年12月6日發佈，較舊版本的HF Transformers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。