Camembert Base Xnli

🚀 camembert-base-xnli

这是原始的BaptisteDoyen/camembert-base-xnli模型的副本，因为该模型当前显示404错误。以下是BaptisteDoyen/camembert-base-xnli页面上的模型卡片内容。本模型是在XNLI数据集的法语部分上微调的Camembert-base模型，是少数适用于法语的零样本分类模型之一 🇫🇷。

🚀 快速开始

此模型有两种不同的使用方式：

作为零样本序列分类器

classifier = pipeline("zero-shot-classification", 
                      model="BaptisteDoyen/camembert-base-xnli")

sequence = "L'équipe de France joue aujourd'hui au Parc des Princes"
candidate_labels = ["sport","politique","science"]
hypothesis_template = "Ce texte parle de {}."    

classifier(sequence, candidate_labels, hypothesis_template=hypothesis_template)     
# outputs :                                        
# {'sequence': "L'équipe de France joue aujourd'hui au Parc des Princes",
# 'labels': ['sport', 'politique', 'science'],
# 'scores': [0.8595073223114014, 0.10821866989135742, 0.0322740375995636]}                      

作为前提/假设检查器

这里的思路是计算形式为 $P(premise|hypothesis)$ 的概率。

# load model and tokenizer
nli_model = AutoModelForSequenceClassification.from_pretrained("BaptisteDoyen/camembert-base-xnli")
tokenizer = AutoTokenizer.from_pretrained("BaptisteDoyen/camembert-base-xnli") 
# sequences
premise = "le score pour les bleus est élevé"
hypothesis = "L'équipe de France a fait un bon match"
# tokenize and run through model
x = tokenizer.encode(premise, hypothesis, return_tensors='pt')
logits = nli_model(x)[0]
# we throw away "neutral" (dim 1) and take the probability of
# "entailment" (0) as the probability of the label being true 
entail_contradiction_logits = logits[:,::2]
probs = entail_contradiction_logits.softmax(dim=1)
prob_label_is_true = probs[:,0]
prob_label_is_true[0].tolist() * 100
# outputs
# 86.40775084495544

✨ 主要特性

• 基于Camembert-base模型，在XNLI数据集的法语部分上进行了微调。
• 是少数适用于法语的零样本分类模型之一。

📦 安装指南

使用以下命令加载训练数据：

from datasets import load_dataset
dataset = load_dataset('xnli', 'fr')                     

📚 详细文档

模型描述

Camembert-base模型在XNLI数据集的法语部分上进行了微调，是少数适用于法语的零样本分类模型之一 🇫🇷。

预期用途和限制

如何使用

有两种不同的使用方式：

• 作为零样本序列分类器：使用pipeline进行零样本序列分类。
• 作为前提/假设检查器：计算前提和假设之间的概率。

训练数据

训练数据是Facebook在2018年发布的XNLI数据集的法语部分。可以使用datasets库轻松加载。

训练/微调过程

训练过程相当基础，是在云端使用单个GPU进行的。主要训练参数如下：

• lr = 2e-5 with lr_scheduler_type = "linear"
• num_train_epochs = 4
• batch_size = 12 (受GPU内存限制)
• weight_decay = 0.01
• metric_for_best_model = "eval_accuracy"

评估结果

在验证集和测试集上获得了以下结果：

🔧 技术细节

该模型基于Camembert-base架构，在XNLI数据集的法语部分上进行了微调。训练过程中使用了单个GPU，设置了特定的学习率、训练轮数、批次大小等参数。

📄 许可证

本模型使用MIT许可证。