Mdeberta V3 Base Mnli Xnli

🚀 多語言 mDeBERTa-v3-base-mnli-xnli

這個多語言模型可以對100種語言進行自然語言推理（NLI），因此也適用於多語言零樣本分類。它能幫助用戶在多種語言場景下高效地完成文本分類等任務，節省大量標註數據的成本。

📚 詳細文檔

模型描述

這個多語言模型可以對100種語言進行自然語言推理（NLI），因此也適用於多語言零樣本分類。基礎模型由微軟在CC100多語言數據集上進行預訓練。然後在XNLI數據集（包含來自15種語言的假設 - 前提對）以及英文MNLI數據集上進行微調。

截至2021年12月，mDeBERTa-base是表現最佳的多語言基礎大小的Transformer模型，由微軟在這篇論文中提出。

如果你正在尋找一個更小、更快（但性能稍低）的模型，可以嘗試multilingual-MiniLMv2-L6-mnli-xnli。

💻 使用示例

基礎用法

from transformers import pipeline
classifier = pipeline("zero-shot-classification", model="MoritzLaurer/mDeBERTa-v3-base-mnli-xnli")

sequence_to_classify = "Angela Merkel ist eine Politikerin in Deutschland und Vorsitzende der 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/mDeBERTa-v3-base-mnli-xnli"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForSequenceClassification.from_pretrained(model_name)

premise = "Angela Merkel ist eine Politikerin in Deutschland und Vorsitzende der CDU"
hypothesis = "Emmanuel Macron is the President of France"

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)

🔧 技術細節

訓練數據

該模型在XNLI開發數據集和MNLI訓練數據集上進行訓練。XNLI開發集由2490篇從英語專業翻譯為其他14種語言的文本組成（總共37350篇文本）（見這篇論文）。需要注意的是，XNLI包含15種語言的MNLI數據集的15個機器翻譯版本的訓練集，但由於這些機器翻譯存在質量問題，該模型僅在XNLI開發集的專業翻譯文本和原始英文MNLI訓練集（392702篇文本）上進行訓練。不使用機器翻譯文本可以避免模型對15種語言過擬合；避免對mDeBERTa預訓練的其他85種語言產生災難性遺忘；並顯著降低訓練成本。

訓練過程

mDeBERTa-v3-base-mnli-xnli使用Hugging Face訓練器進行訓練，使用了以下超參數：

training_args = TrainingArguments(
    num_train_epochs=2,              # total number of training epochs
    learning_rate=2e-05,
    per_device_train_batch_size=16,   # batch size per device during training
    per_device_eval_batch_size=16,    # batch size for evaluation
    warmup_ratio=0.1,                # number of warmup steps for learning rate scheduler
    weight_decay=0.06,               # strength of weight decay
)

評估結果

該模型在XNLI測試集的15種語言上進行評估（每種語言5010篇文本，總共75150篇）。需要注意的是，多語言NLI模型能夠在不接收特定語言的NLI訓練數據的情況下對NLI文本進行分類（跨語言遷移）。這意味著該模型也能夠對mDeBERTa訓練的其他85種語言進行NLI，但性能很可能低於XNLI中可用的語言。

此外，如果模型中心的其他多語言模型聲稱在非英語語言上的性能約為90%，作者很可能在測試過程中犯了錯誤，因為最新的論文中沒有一篇顯示在XNLI上的多語言平均性能比80%高出幾個百分點（見這裡或這裡）。

📄 許可證

本項目採用MIT許可證。

侷限性和偏差

請參考原始的DeBERTa - V3論文和不同NLI數據集的相關文獻，以瞭解潛在的偏差。

引用說明

如果您使用此模型，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.

合作建議或問題諮詢

如果您有問題或合作建議，請通過m{dot}laurer{at}vu{dot}nl聯繫我，或在領英上與我交流。

調試與問題解決

需要注意的是，DeBERTa - v3於2021年末發佈，較舊版本的HF Transformers似乎在運行該模型時存在問題（例如，導致分詞器出現問題）。使用Transformers >= 4.13或更高版本可能會解決一些問題。另外，mDeBERTa目前不支持FP16，詳情見：https://github.com/microsoft/DeBERTa/issues/77

⚠️ 重要提示

若模型中心的其他多語言模型聲稱在非英語語言上的性能約為90%，作者很可能在測試過程中犯了錯誤。

💡 使用建議

使用Transformers >= 4.13或更高版本可能會解決模型運行時的一些問題。