Moritzlaurer Mdeberta V3 Base Mnli Xnli

🚀 多語言mDeBERTa - v3 - base - mnli - xnli

該多語言模型可對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。它能有效解決在多種語言場景下進行文本分類和推理的問題，為跨語言的自然語言處理任務提供了強大的支持。

🚀 快速開始

多語言mDeBERTa - v3 - base - mnli - xnli模型可用於自然語言推理（NLI）和零樣本分類任務。以下是使用該模型的簡單示例。

✨ 主要特性

• 支持100種語言的自然語言推理（NLI），適用於多語言零樣本分類。
• 基於mDeBERTa - base架構，截至2021年12月，是表現最佳的多語言基礎大小的Transformer模型。
• 訓練時使用專業翻譯文本，避免對部分語言過擬合，減少訓練成本。

📦 安裝指南

暫未提供安裝相關內容，可根據Hugging Face Transformers庫的通用安裝方法進行安裝。

💻 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)

📚 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](https://huggingface.co/MoritzLaurer/multilingual - MiniLMv2 - L6 - mnli - xnli)。

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篇從英語專業翻譯成其他14種語言的文本組成（總共37350篇文本）（見這篇論文）。請注意，XNLI包含MNLI數據集的15種機器翻譯版本的訓練集，用於15種語言，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）。請注意，多語言NLI模型能夠在沒有接受特定語言的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。

還要注意的是，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多語言平均性能比XNLI上的80%高出幾個百分點以上（見這裡或這裡）。

🔧 技術細節

該模型基於mDeBERTa - base架構，在多語言自然語言處理任務上有出色表現。訓練過程中，通過選擇專業翻譯文本和合適的超參數，避免了過擬合和災難性遺忘問題，同時降低了訓練成本。在評估時，利用跨語言遷移能力，可對多種語言進行自然語言推理，但在非XNLI語言上性能可能有所下降。

📄 許可證

本項目採用MIT許可證。

侷限性和偏差

請參考原始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

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](https://www.linkedin.com/in/moritz - laurer/)上與我交流。

調試和問題

請注意，DeBERTa - v3於2021年底發佈，較舊版本的HF Transformers在運行該模型時似乎存在問題（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。請注意，mDeBERTa目前不支持FP16，詳情見：https://github.com/microsoft/DeBERTa/issues/77 。