Multilingual MiniLMv2 L12 Mnli Xnli

🚀 多语言MiniLMv2-L12-mnli-xnli

本多语言模型可对100多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。它能有效解决不同语言文本分类数据稀缺的问题，为多语言处理提供高效的解决方案。

🚀 快速开始

本多语言模型可对100多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。

✨ 主要特性

• 多语言支持：能够在100 + 种语言上执行自然语言推理（NLI），适用于多语言零样本分类。
• 模型蒸馏优势：相较于XLM - RoBERTa - large，蒸馏后的模型体积更小，推理速度更快，内存需求更低。
• 训练数据优质：使用XNLI开发集的专业翻译文本和原始英文MNLI训练集进行训练，避免了机器翻译质量问题，降低过拟合风险，减少训练成本。

📦 安装指南

文档未提及安装步骤，故跳过此章节。

💻 使用示例

基础用法

from transformers import pipeline
classifier = pipeline("zero-shot-classification", model="MoritzLaurer/multilingual-MiniLMv2-L12-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)

高级用法

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

model_name = "MoritzLaurer/multilingual-MiniLMv2-L12-mnli-xnli"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForSequenceClassification.from_pretrained(model_name)

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)

📚 详细文档

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）（详见此论文）。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开发集的专业翻译文本和原始英文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，避免对预训练的其他语言产生灾难性遗忘，并显著降低训练成本。

训练过程

该模型使用Hugging Face训练器进行训练，采用以下超参数。确切的基础模型是mMiniLMv2 - L12 - H384 - distilled - from - XLMR - Large。

training_args = TrainingArguments(
    num_train_epochs=3,              # total number of training epochs
    learning_rate=4e-05,
    per_device_train_batch_size=64,   # batch size per device during training
    per_device_eval_batch_size=120,    # batch size for evaluation
    warmup_ratio=0.06,                # number of warmup steps for learning rate scheduler
    weight_decay=0.01,               # strength of weight decay
)

评估结果

该模型在XNLI测试集的15种语言上进行评估（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其训练过的其他语言进行NLI，但性能可能低于XNLI中可用的语言。

论文中报告的multilingual - MiniLM - L12的平均XNLI性能为0.711（见表11）。此重新实现的平均性能为0.75。性能的提升可能得益于在训练数据中加入了MNLI，并且该模型是从XLM - RoBERTa - large而不是 - base（multilingual - MiniLM - L12 - v2）蒸馏而来。

🔧 技术细节

本模型基于微软创建的multilingual - MiniLM - L12模型，该模型是从XLM - RoBERTa - large蒸馏而来。通过在XNLI开发集和MNLI训练集上进行微调，使其具备多语言自然语言推理和零样本分类的能力。蒸馏模型虽然在性能上较原模型有所损失，但在速度和内存使用上有显著优势。

📄 许可证

本项目采用MIT许可证。

⚠️ 重要提示

请查阅关于不同NLI数据集的原始论文和文献，以了解潜在的偏差。

💡 使用建议

• 若追求最高推理速度，建议使用6层模型。
• 若追求更高性能，截至2023年2月14日，建议使用mDeBERTa - v3 - base - mnli - xnli。

📖 引用

如果您使用此模型，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.

💬 合作建议或疑问

如果您有任何问题或合作想法，请通过m{dot}laurer{at}vu{dot}nl联系我，或在领英上与我交流。