E5 Base V2 Mnli Anli

🚀 e5-base-v2-mnli-anli

本模型是 intfloat/e5-base-v2 在 glue (mnli) 和 anli 数据集上的微调版本。它可用于零样本分类任务，为文本分类提供了高效且准确的解决方案。

✨ 主要特性

• 基于 Text Embeddings by Weakly-Supervised Contrastive Pre-training 论文的研究成果。
• 作者包括 Liang Wang、Nan Yang、Xiaolong Huang、Binxing Jiao、Linjun Yang、Daxin Jiang、Rangan Majumder、Furu Wei ，于 arXiv 2022 发布。

📦 安装指南

文档未提及具体安装步骤，可参考 transformers 库的官方安装说明进行安装。

💻 使用示例

基础用法

使用 zero-shot-classification 管道加载模型：

from transformers import pipeline
classifier = pipeline("zero-shot-classification",
                      model="mjwong/e5-base-v2-mnli-anli")

使用该管道将序列分类到指定的类别名称中：

sequence_to_classify = "one day I will see the world"
candidate_labels = ['travel', 'cooking', 'dancing']
classifier(sequence_to_classify, candidate_labels)

如果有多个候选标签可能正确，可传递 multi_class=True 独立计算每个类别：

candidate_labels = ['travel', 'cooking', 'dancing', 'exploration']
classifier(sequence_to_classify, candidate_labels, multi_class=True)

高级用法

将模型应用于 NLI 任务：

import torch
from transformers import AutoTokenizer, AutoModelForSequenceClassification

# device = "cuda:0" or "cpu"
device = torch.device("cuda") if torch.cuda.is_available() else torch.device("cpu")

model_name = "mjwong/e5-base-v2-mnli-anli"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForSequenceClassification.from_pretrained(model_name)

premise = "But I thought you'd sworn off coffee."
hypothesis = "I thought that you vowed to drink more coffee."

input = tokenizer(premise, hypothesis, truncation=True, return_tensors="pt")
output = model(input["input_ids"].to(device))
prediction = torch.softmax(output["logits"][0], -1).tolist()
label_names = ["entailment", "neutral", "contradiction"]
prediction = {name: round(float(pred) * 100, 2) for pred, name in zip(prediction, label_names)}
print(prediction)

📚 详细文档

评估结果

模型使用 MultiNLI 的开发集和 ANLI 的测试集进行评估，使用的指标是准确率。

训练超参数

训练过程中使用了以下超参数：

• 学习率：2e-05
• 训练批次大小：16
• 评估批次大小：16
• 随机种子：42
• 优化器：Adam，betas=(0.9, 0.999)，epsilon=1e-08
• 学习率调度器类型：线性
• 学习率调度器热身比例：0.1

框架版本

• Transformers 4.28.1
• Pytorch 1.12.1+cu116
• Datasets 2.11.0
• Tokenizers 0.12.1

📄 许可证

本模型采用 MIT 许可证。