Ernie M Base Mnli Xnli

🚀 多语言 ernie-m-base-mnli-xnli

多语言 ernie-m-base-mnli-xnli 模型可对 100 种语言进行自然语言推理（NLI），适用于多语言零样本分类任务。该模型在同等规模下，性能优于 RoBERTa 模型。

🚀 快速开始

本模型可用于多语言自然语言推理和零样本分类任务。以下是使用示例：

简单的零样本分类管道

from transformers import pipeline
classifier = pipeline("zero-shot-classification", model="MoritzLaurer/ernie-m-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)

NLI 使用场景

from transformers import AutoTokenizer, AutoModelForSequenceClassification
import torch
device = torch.device("cuda") if torch.cuda.is_available() else torch.device("cpu")

model_name = "MoritzLaurer/ernie-m-base-mnli-xnli"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForSequenceClassification.from_pretrained(model_name).to(device)

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)

✨ 主要特性

• 多语言支持：可对 100 种语言进行自然语言推理。
• 零样本分类：适用于多语言零样本分类任务。
• 性能优越：在同等规模下，性能优于 RoBERTa 模型。

📦 安装指南

ernie-m 架构仅支持 transformers==4.27 或更高版本（截至 2023 年 3 月 3 日尚未发布，会在推理小部件中引发错误）。在 4.27 版本发布之前，若要运行该模型，你需要从源代码安装 transformers：

pip install git+https://github.com/huggingface/transformers

同时安装 sentencepiece 分词器：

pip install sentencepiece

4.27 版本发布后，你可以运行：

pip install transformers[sentencepiece]>=4.27

📚 详细文档

模型描述

这个多语言模型可以对 100 种语言进行自然语言推理（NLI），因此也适用于多语言零样本分类。其基础模型由百度基于 Meta 的 RoBERTa 进行预训练（在 CC100 多语言数据集 上预训练）。然后在 XNLI 数据集 上进行微调，该数据集包含 15 种语言的假设 - 前提对，以及英文 MNLI 数据集。该模型由百度在 这篇论文 中提出，在同等规模下，性能优于 RoBERTa 模型。

如果你正在寻找一个更快（但性能稍低）的模型，可以尝试 multilingual-MiniLMv2-L6-mnli-xnli。在同等规模的模型中，mDeBERTa-v3-base-mnli-xnli 在 XNLI 基准测试中表现更好。若追求更好的性能，你可以尝试速度较慢的 ernie-m-large-mnli-xnli。

训练数据

该模型在 XNLI 开发数据集和 MNLI 训练数据集上进行训练。XNLI 开发集包含 2490 条从英语专业翻译为其他 14 种语言的文本（总共 37350 条文本）（详见 这篇论文）。需要注意的是，XNLI 包含 15 种语言的 MNLI 数据集的 15 个机器翻译版本的训练集，但由于这些机器翻译存在质量问题，该模型仅在 XNLI 开发集的专业翻译和原始英文 MNLI 训练集（392702 条文本）上进行训练。不使用机器翻译文本可以避免模型对 15 种语言过拟合；避免对 ernie-m 预训练的其他 85 种语言产生灾难性遗忘；并显著降低训练成本。

训练过程

ernie-m-base-mnli-xnli 使用 Hugging Face 训练器进行训练，使用了以下超参数：

training_args = TrainingArguments(
    num_train_epochs=3,              # 总训练轮数
    learning_rate=3e-05,
    per_device_train_batch_size=16,   # 训练期间每个设备的批量大小
    gradient_accumulation_steps=2,
    per_device_eval_batch_size=16,    # 评估时的批量大小
    warmup_ratio=0.1,                # 学习率调度器的热身步数
    weight_decay=0.01,               # 权重衰减强度
    fp16=True,
)

评估结果

该模型在 15 种语言的 XNLI 测试集上进行了评估（每种语言 5010 条文本，总共 75150 条）。需要注意的是，多语言 NLI 模型能够在不接收特定语言的 NLI 训练数据的情况下对 NLI 文本进行分类（跨语言迁移）。这意味着该模型也能够对 mDeBERTa 训练的其他 85 种语言进行 NLI，但性能很可能低于 XNLI 中可用的语言。

另外需要注意的是，如果模型中心的其他多语言模型声称在非英语语言上的性能约为 90%，作者很可能在测试过程中出现了错误，因为最新的论文均未显示在 XNLI 上的多语言平均性能比 80% 高出几个百分点（详见 此处 或 此处）。

🔧 技术细节

模型基于 Meta 的 RoBERTa 架构，先在 CC100 多语言数据集上进行预训练，再在 XNLI 开发数据集和 MNLI 训练数据集上进行微调。通过不使用机器翻译文本，避免了模型过拟合和灾难性遗忘问题，同时降低了训练成本。

📄 许可证

本模型采用 Apache-2.0 许可证。

📋 局限性和偏差

请参考原始 ernie-m 论文和不同 NLI 数据集的相关文献，以了解潜在的偏差。

📖 引用

如果你使用了这个模型，请引用：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.

💬 合作建议或问题咨询

如果你有问题或合作建议，请通过 m{dot}laurer{at}vu{dot}nl 联系我，或在 LinkedIn 上与我交流。