Roberta Base Squad2

🚀 ONNX将roberta-base转换用于问答任务

本项目将 deepset/roberta-base-squad2 模型进行ONNX转换，用于问答任务。该转换后的模型能在问答场景中高效运行，为用户提供准确的答案抽取功能。

🚀 快速开始

模型版本说明

这是模型的第2版。关于更新原因，请参考FARM仓库中的 此GitHub问题。如果您想使用第1版，在Transformers 3.5中加载模型时指定 revision="v1.0"。例如：

model_name = "deepset/roberta-base-squad2"
pipeline(model=model_name, tokenizer=model_name, revision="v1.0", task="question-answering")

✨ 主要特性

• 语言模型：roberta-base
• 语言：英语
• 下游任务：抽取式问答
• 训练数据：SQuAD 2.0
• 评估数据：SQuAD 2.0
• 代码示例：请参考 FARM 中的 示例
• 基础设施：4x Tesla v100

模型信息表格

📦 安装指南

文档未提及具体安装步骤，故跳过此章节。

💻 使用示例

基础用法

在Transformers中使用

from transformers import AutoModelForQuestionAnswering, AutoTokenizer, pipeline

model_name = "deepset/roberta-base-squad2"

# a) 获取预测结果
nlp = pipeline('question-answering', model=model_name, tokenizer=model_name)
QA_input = {
    'question': 'Why is model conversion important?',
    'context': 'The option to convert models between FARM and transformers gives freedom to the user and let people easily switch between frameworks.'
}
res = nlp(QA_input)

# b) 加载模型和分词器
model = AutoModelForQuestionAnswering.from_pretrained(model_name)
tokenizer = AutoTokenizer.from_pretrained(model_name)

在FARM中使用

from farm.modeling.adaptive_model import AdaptiveModel
from farm.modeling.tokenization import Tokenizer
from farm.infer import Inferencer

model_name = "deepset/roberta-base-squad2"

# a) 获取预测结果
nlp = Inferencer.load(model_name, task_type="question_answering")
QA_input = [{"questions": ["Why is model conversion important?"],
             "text": "The option to convert models between FARM and transformers gives freedom to the user and let people easily switch between frameworks."}]
res = nlp.inference_from_dicts(dicts=QA_input, rest_api_schema=True)

# b) 加载模型和分词器
model = AdaptiveModel.convert_from_transformers(model_name, device="cpu", task_type="question_answering")
tokenizer = Tokenizer.load(model_name)

在haystack中使用

若要进行大规模问答（即处理多篇文档而非单个段落），您也可以在 haystack 中加载该模型：

reader = FARMReader(model_name_or_path="deepset/roberta-base-squad2")
# 或者
reader = TransformersReader(model_name_or_path="deepset/roberta-base-squad2",tokenizer="deepset/roberta-base-squad2")

📚 详细文档

超参数设置

batch_size = 96
n_epochs = 2
base_LM_model = "roberta-base"
max_seq_len = 386
learning_rate = 3e-5
lr_schedule = LinearWarmup
warmup_proportion = 0.2
doc_stride=128
max_query_length=64

蒸馏模型替代方案

请注意，我们还发布了该模型的蒸馏版本 deepset/tinyroberta-squad2。蒸馏模型的预测质量相当，但运行速度是基础模型的两倍。

性能评估

使用 官方评估脚本 在SQuAD 2.0开发集上进行评估，结果如下：

"exact": 79.87029394424324,
"f1": 82.91251169582613,

"total": 11873,
"HasAns_exact": 77.93522267206478,
"HasAns_f1": 84.02838248389763,
"HasAns_total": 5928,
"NoAns_exact": 81.79983179142137,
"NoAns_f1": 81.79983179142137,
"NoAns_total": 5945

🔧 技术细节

文档未提供足够详细的技术实现细节，故跳过此章节。

📄 许可证

本项目采用CC BY 4.0许可证。

👥 作者信息

• Branden Chan: branden.chan [at] deepset.ai
• Timo Möller: timo.moeller [at] deepset.ai
• Malte Pietsch: malte.pietsch [at] deepset.ai
• Tanay Soni: tanay.soni [at] deepset.ai

🌟 关于我们

我们通过开源将自然语言处理技术引入工业界！ 我们的重点领域：特定行业的语言模型和大规模问答系统。

我们的部分工作成果：

• 德国BERT（又名 "bert-base-german-cased"）
• GermanQuAD和GermanDPR数据集及模型（又名 "gelectra-base-germanquad", "gbert-base-germandpr"）
• FARM
• Haystack

联系我们： Twitter | LinkedIn | Slack | GitHub讨论区 | 网站

顺便一提：我们正在招聘！