Bart Large Mnli

🚀 bart-large-mnli

這是 bart-large 在 MultiNLI (MNLI) 數據集上訓練後的檢查點，可用於零樣本分類任務。

🚀 快速開始

本模型是在 MultiNLI (MNLI) 數據集上對 bart-large 進行訓練後得到的檢查點。

關於此模型的更多信息：

• bart-large 模型頁面
• BART: Denoising Sequence-to-Sequence Pre-training for Natural Language Generation, Translation, and Comprehension
• BART fairseq 實現

✨ 主要特性

基於NLI的零樣本文本分類

Yin 等人 提出了一種將預訓練的自然語言推理（NLI）模型用作現成的零樣本序列分類器的方法。該方法的工作原理是將待分類的序列作為 NLI 的前提，並從每個候選標籤構建一個假設。例如，如果我們想評估一個序列是否屬於 “政治” 類別，我們可以構建一個假設 This text is about politics.。然後將蘊含和矛盾的概率轉換為標籤概率。

在許多情況下，這種方法出奇地有效，特別是與像 BART 和 Roberta 這樣的大型預訓練模型一起使用時。有關此方法和其他零樣本方法的更詳細介紹，請參閱 此博客文章。

💻 使用示例

基礎用法

使用零樣本分類管道

可以使用 zero-shot-classification 管道加載模型：

from transformers import pipeline
classifier = pipeline("zero-shot-classification",
                      model="facebook/bart-large-mnli")

然後可以使用此管道將序列分類到你指定的任何類別名稱中。

sequence_to_classify = "one day I will see the world"
candidate_labels = ['travel', 'cooking', 'dancing']
classifier(sequence_to_classify, candidate_labels)
#{'labels': ['travel', 'dancing', 'cooking'],
# 'scores': [0.9938651323318481, 0.0032737774308770895, 0.002861034357920289],
# 'sequence': 'one day I will see the world'}

如果多個候選標籤可能正確，可以傳遞 multi_label=True 來獨立計算每個類別的概率：

candidate_labels = ['travel', 'cooking', 'dancing', 'exploration']
classifier(sequence_to_classify, candidate_labels, multi_label=True)
#{'labels': ['travel', 'exploration', 'dancing', 'cooking'],
# 'scores': [0.9945111274719238,
#  0.9383890628814697,
#  0.0057061901316046715,
#  0.0018193122232332826],
# 'sequence': 'one day I will see the world'}

高級用法

使用手動 PyTorch 代碼

# pose sequence as a NLI premise and label as a hypothesis
from transformers import AutoModelForSequenceClassification, AutoTokenizer
nli_model = AutoModelForSequenceClassification.from_pretrained('facebook/bart-large-mnli')
tokenizer = AutoTokenizer.from_pretrained('facebook/bart-large-mnli')

premise = sequence
hypothesis = f'This example is {label}.'

# run through model pre-trained on MNLI
x = tokenizer.encode(premise, hypothesis, return_tensors='pt',
                     truncation_strategy='only_first')
logits = nli_model(x.to(device))[0]

# we throw away "neutral" (dim 1) and take the probability of
# "entailment" (2) as the probability of the label being true 
entail_contradiction_logits = logits[:,[0,2]]
probs = entail_contradiction_logits.softmax(dim=1)
prob_label_is_true = probs[:,1]

📄 許可證

本項目採用 MIT 許可證。