Nli Deberta V3 Xsmall

🚀 自然语言推理跨编码器

本模型利用跨编码器技术，基于预训练模型构建，可对句子对进行推理判断，输出矛盾、蕴含、中立三种关系得分，还能用于零样本分类任务，在自然语言处理中具有广泛应用价值。

🚀 快速开始

本模型是使用 SentenceTransformers 的 Cross-Encoder 类进行训练的。该模型基于 microsoft/deberta-v3-xsmall。

✨ 主要特性

• 基于预训练模型构建，具有良好的泛化能力。
• 可对句子对进行推理，输出矛盾、蕴含、中立三种关系的得分。
• 支持零样本分类任务。

📦 安装指南

文档未提及具体安装步骤，可参考 SentenceTransformers 和 Transformers 官方文档进行安装。

💻 使用示例

基础用法

预训练模型可以按如下方式使用：

from sentence_transformers import CrossEncoder
model = CrossEncoder('cross-encoder/nli-deberta-v3-xsmall')
scores = model.predict([('A man is eating pizza', 'A man eats something'), ('A black race car starts up in front of a crowd of people.', 'A man is driving down a lonely road.')])

#Convert scores to labels
label_mapping = ['contradiction', 'entailment', 'neutral']
labels = [label_mapping[score_max] for score_max in scores.argmax(axis=1)]

高级用法

你也可以直接使用 Transformers 库（不使用 SentenceTransformers 库）来使用该模型：

from transformers import AutoTokenizer, AutoModelForSequenceClassification
import torch

model = AutoModelForSequenceClassification.from_pretrained('cross-encoder/nli-deberta-v3-xsmall')
tokenizer = AutoTokenizer.from_pretrained('cross-encoder/nli-deberta-v3-xsmall')

features = tokenizer(['A man is eating pizza', 'A black race car starts up in front of a crowd of people.'], ['A man eats something', 'A man is driving down a lonely road.'],  padding=True, truncation=True, return_tensors="pt")

model.eval()
with torch.no_grad():
    scores = model(**features).logits
    label_mapping = ['contradiction', 'entailment', 'neutral']
    labels = [label_mapping[score_max] for score_max in scores.argmax(dim=1)]
    print(labels)

零样本分类用法

该模型还可用于零样本分类：

from transformers import pipeline

classifier = pipeline("zero-shot-classification", model='cross-encoder/nli-deberta-v3-xsmall')

sent = "Apple just announced the newest iPhone X"
candidate_labels = ["technology", "sports", "politics"]
res = classifier(sent, candidate_labels)
print(res)

📚 详细文档

训练数据

该模型在 SNLI 和 MultiNLI 数据集上进行训练。对于给定的句子对，它将输出对应于以下标签的三个分数：矛盾、蕴含、中立。

性能表现

• 在 SNLI 测试数据集上的准确率：91.64
• 在 MNLI 不匹配集上的准确率：87.77

更多评估结果，请参阅 SBERT.net - 预训练跨编码器。

📄 许可证

本项目采用 Apache-2.0 许可证。