Roberta Base Zeroshot V2.0 C

🚀 roberta-base-zeroshot-v2.0-c

roberta-base-zeroshot-v2.0-c是一个专为零样本分类设计的模型，可在无训练数据的情况下进行文本分类，适用于GPU和CPU，且部分版本采用完全商业友好的数据进行训练。

🚀 快速开始

本模型属于zeroshot-v2.0系列，专为使用Hugging Face管道进行高效零样本分类而设计。这些模型无需训练数据即可进行分类，并且可以在GPU和CPU上运行。最新零样本分类器的概述可在我的 零样本分类器集合 中查看。

✨ 主要特性

• 零样本分类能力：无需训练数据即可完成分类任务。
• 多平台支持：可在GPU和CPU上运行。
• 商业友好数据训练：部分模型使用完全商业友好的数据进行训练。
• 通用分类任务：可以将任何分类任务重新表述为判断假设是否为“真”或“非真”的任务。

📦 安装指南

在使用模型前，你需要安装transformers库：

#!pip install transformers[sentencepiece]

💻 使用示例

基础用法

from transformers import pipeline
text = "Angela Merkel is a politician in Germany and leader of the CDU"
hypothesis_template = "This text is about {}"
classes_verbalized = ["politics", "economy", "entertainment", "environment"]
zeroshot_classifier = pipeline("zero-shot-classification", model="MoritzLaurer/deberta-v3-large-zeroshot-v2.0")  # change the model identifier here
output = zeroshot_classifier(text, classes_verbalized, hypothesis_template=hypothesis_template, multi_label=False)
print(output)

multi_label=False 强制模型只选择一个类别，multi_label=True 允许模型选择多个类别。

高级用法

你可以通过更改零样本管道的 hypothesis_template 来制定自己的假设，类似于大语言模型的“提示工程”，你可以测试不同的假设模板和类别表述来提高性能。

from transformers import pipeline
text = "Angela Merkel is a politician in Germany and leader of the CDU"
# 表述1
hypothesis_template = "This text is about {}"
classes_verbalized = ["politics", "economy", "entertainment", "environment"]
# 表述2，根据你的用例而定
hypothesis_template = "The topic of this text is {}"
classes_verbalized = ["political activities", "economic policy", "entertainment or music", "environmental protection"]
# 测试不同的表述
zeroshot_classifier = pipeline("zero-shot-classification", model="MoritzLaurer/deberta-v3-large-zeroshot-v2.0")  # 更改此处的模型标识符
output = zeroshot_classifier(text, classes_verbalized, hypothesis_template=hypothesis_template, multi_label=False)
print(output)

📚 详细文档

模型描述

zeroshot-v2.0系列模型

该系列模型的主要更新是，部分模型使用完全商业友好的数据进行训练，以满足有严格许可要求的用户。这些模型可以完成一个通用的分类任务：给定一段文本，判断一个假设是“真”还是“非真”（entailment 与 not_entailment）。此任务格式基于自然语言推理任务（NLI），任何分类任务都可以通过Hugging Face管道重新表述为该任务。

训练数据

名称中带有 “-c” 的模型使用两种完全商业友好的数据进行训练：

1. 合成数据：使用 Mixtral-8x7B-Instruct-v0.1 生成。首先与Mistral-large对话，为25种职业创建了500多个不同的文本分类任务列表，并手动整理数据。然后使用这些数据作为种子，用Mixtral-8x7B-Instruct-v0.1生成了数十万个文本。最终使用的数据集可在 synthetic_zeroshot_mixtral_v0.1 数据集中的 mixtral_written_text_for_tasks_v4 子集中找到。数据整理经过多次迭代，未来还会进一步改进。
2. 两个商业友好的NLI数据集：MNLI 和 FEVER-NLI，添加这些数据集是为了提高模型的泛化能力。
3. 名称中没有 “-c” 的模型还使用了更广泛的训练数据，包括ANLI、WANLI、LingNLI以及 此列表 中 used_in_v1.1==True 的所有数据集。

何时使用哪个模型

• deberta-v3-零样本与roberta-零样本：deberta-v3的性能明显优于roberta，但速度稍慢。roberta与Hugging Face的生产推理TEI容器和闪存注意力直接兼容，适合生产用例。简而言之，为了追求准确性，使用deberta-v3模型；如果关注生产推理速度，可以考虑使用roberta模型（例如在TEI容器和 HF推理端点 中）。
• 商业用例：名称中带有 “-c” 的模型保证仅使用商业友好的数据进行训练。没有 “-c” 的模型使用了更多数据，性能更好，但包含了非商业许可的数据。对于有严格法律要求的用户，建议使用名称中带有 “-c” 的模型。
• 多语言/非英语用例：使用 bge-m3-zeroshot-v2.0 或 bge-m3-zeroshot-v2.0-c。注意，多语言模型的性能不如仅适用于英语的模型。因此，你也可以先使用 EasyNMT 等库将文本机器翻译为英语，然后将任何仅适用于英语的模型应用于翻译后的数据。机器翻译还便于在团队不精通数据中所有语言的情况下进行验证。
• 上下文窗口：bge-m3 模型可以处理多达8192个标记，其他模型可以处理多达512个标记。注意，较长的文本输入会使模型变慢并降低性能，因此如果你只处理最多400个单词/1页的文本，可以使用deberta模型以获得更好的性能。
• 新模型的最新更新始终可以在 零样本分类器集合 中查看。

复现

复现代码可在 此处 的 v2_synthetic_data 目录中找到。

局限性和偏差

该模型只能完成文本分类任务。偏差可能来自基础模型、人类NLI训练数据和Mixtral生成的合成数据。

许可证

基础模型根据MIT许可证发布，训练数据的许可证因模型而异，请参阅上文。

引用

该模型是 这篇论文 中描述的研究的扩展。如果你在学术上使用该模型，请引用：

@misc{laurer_building_2023,
    title = {Building {Efficient} {Universal} {Classifiers} with {Natural} {Language} {Inference}},
    url = {http://arxiv.org/abs/2312.17543},
    doi = {10.48550/arXiv.2312.17543},
    abstract = {Generative Large Language Models (LLMs) have become the mainstream choice for fewshot and zeroshot learning thanks to the universality of text generation. Many users, however, do not need the broad capabilities of generative LLMs when they only want to automate a classification task. Smaller BERT-like models can also learn universal tasks, which allow them to do any text classification task without requiring fine-tuning (zeroshot classification) or to learn new tasks with only a few examples (fewshot), while being significantly more efficient than generative LLMs. This paper (1) explains how Natural Language Inference (NLI) can be used as a universal classification task that follows similar principles as instruction fine-tuning of generative LLMs, (2) provides a step-by-step guide with reusable Jupyter notebooks for building a universal classifier, and (3) shares the resulting universal classifier that is trained on 33 datasets with 389 diverse classes. Parts of the code we share has been used to train our older zeroshot classifiers that have been downloaded more than 55 million times via the Hugging Face Hub as of December 2023. Our new classifier improves zeroshot performance by 9.4\%.},
    urldate = {2024-01-05},
    publisher = {arXiv},
    author = {Laurer, Moritz and van Atteveldt, Wouter and Casas, Andreu and Welbers, Kasper},
    month = dec,
    year = {2023},
    note = {arXiv:2312.17543 [cs]},
    keywords = {Computer Science - Artificial Intelligence, Computer Science - Computation and Language},
}

合作建议或问题咨询

如果你有问题或合作想法，请通过moritz{at}huggingface{dot}co联系我，或在 LinkedIn 上与我交流。

🔧 技术细节

评估指标

模型在28个不同的文本分类任务上使用 f1_macro 指标进行评估。主要参考点是 facebook/bart-large-mnli，在撰写本文时（2024年4月3日），它是最常用的商业友好零样本分类器。

这些数字表示零样本性能，因为训练数据中未添加这些数据集的数据。请注意，标题中没有 “-c” 的模型进行了两次评估：一次不使用这28个数据集中的任何数据，以测试纯零样本性能（相应列中的第一个数字）；最后一次包括每个数据集每个类别最多500个训练数据点（列中括号内的第二个数字，“fewshot”）。没有模型在测试数据上进行训练。

不同数据集的详细信息可在此处查看：https://github.com/MoritzLaurer/zeroshot-classifier/blob/main/v1_human_data/datasets_overview.csv

📄 许可证

基础模型根据MIT许可证发布。训练数据的许可证因模型而异，请参阅上文。

信息表格

常用提示信息

⚠️ 重要提示

没有模型在测试数据上进行训练。

💡 使用建议

为了追求准确性，使用deberta-v3模型；如果关注生产推理速度，可以考虑使用roberta模型（例如在TEI容器和 HF推理端点 中）。对于有严格法律要求的用户，建议使用名称中带有 “-c” 的模型。如果处理多语言/非英语文本，可以先使用 EasyNMT 等库将文本机器翻译为英语，然后将任何仅适用于英语的模型应用于翻译后的数据。