Mdeberta V3 Base Mnli Xnli

🚀 多语言 mDeBERTa-v3-base-mnli-xnli

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。它能帮助用户在多种语言场景下高效地完成文本分类等任务，节省大量标注数据的成本。

📚 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。基础模型由微软在CC100多语言数据集上进行预训练。然后在XNLI数据集（包含来自15种语言的假设 - 前提对）以及英文MNLI数据集上进行微调。

截至2021年12月，mDeBERTa-base是表现最佳的多语言基础大小的Transformer模型，由微软在这篇论文中提出。

如果你正在寻找一个更小、更快（但性能稍低）的模型，可以尝试multilingual-MiniLMv2-L6-mnli-xnli。

💻 使用示例

基础用法

from transformers import pipeline
classifier = pipeline("zero-shot-classification", model="MoritzLaurer/mDeBERTa-v3-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)

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/mDeBERTa-v3-base-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)

🔧 技术细节

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开发集由2490篇从英语专业翻译为其他14种语言的文本组成（总共37350篇文本）（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开发集的专业翻译文本和原始英文MNLI训练集（392702篇文本）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mDeBERTa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

mDeBERTa-v3-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=2,              # total number of training epochs
    learning_rate=2e-05,
    per_device_train_batch_size=16,   # batch size per device during training
    per_device_eval_batch_size=16,    # batch size for evaluation
    warmup_ratio=0.1,                # number of warmup steps for learning rate scheduler
    weight_decay=0.06,               # 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篇文本，总共75150篇）。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。

此外，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犯了错误，因为最新的论文中没有一篇显示在XNLI上的多语言平均性能比80%高出几个百分点（见这里或这里）。

📄 许可证

本项目采用MIT许可证。

局限性和偏差

请参考原始的DeBERTa - V3论文和不同NLI数据集的相关文献，以了解潜在的偏差。

引用说明

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.

合作建议或问题咨询

如果您有问题或合作建议，请通过m{dot}laurer{at}vu{dot}nl联系我，或在领英上与我交流。

调试与问题解决

需要注意的是，DeBERTa - v3于2021年末发布，较旧版本的HF Transformers似乎在运行该模型时存在问题（例如，导致分词器出现问题）。使用Transformers >= 4.13或更高版本可能会解决一些问题。另外，mDeBERTa目前不支持FP16，详情见：https://github.com/microsoft/DeBERTa/issues/77

⚠️ 重要提示

若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犯了错误。

💡 使用建议

使用Transformers >= 4.13或更高版本可能会解决模型运行时的一些问题。