Qnli Electra Base

🚀 SQuAD（QNLI）跨编码器

该模型使用 SentenceTransformers 的 Cross-Encoder 类进行训练，可用于文本排序任务，能有效判断给定问题是否可由段落回答。

🚀 快速开始

本模型使用 SentenceTransformers 的 Cross-Encoder 类进行训练，可用于文本排序任务。

✨ 主要特性

• 基于 google/electra-base-discriminator 基础模型。
• 在 GLUE QNLI 数据集上进行训练，该数据集将 SQuAD 数据集 转换为自然语言推理（NLI）任务。

📦 安装指南

文档未提及安装步骤，跳过此章节。

💻 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/qnli-electra-base')
scores = model.predict([('Query1', 'Paragraph1'), ('Query2', 'Paragraph2')])

#e.g.
scores = model.predict([('How many people live in Berlin?', 'Berlin had a population of 3,520,031 registered inhabitants in an area of 891.82 square kilometers.'), ('What is the size of New York?', 'New York City is famous for the Metropolitan Museum of Art.')])

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/qnli-electra-base')
tokenizer = AutoTokenizer.from_pretrained('cross-encoder/qnli-electra-base')

features = tokenizer(['How many people live in Berlin?', 'What is the size of New York?'], ['Berlin had a population of 3,520,031 registered inhabitants in an area of 891.82 square kilometers.', 'New York City is famous for the Metropolitan Museum of Art.'],  padding=True, truncation=True, return_tensors="pt")

model.eval()
with torch.no_grad():
    scores = torch.nn.functional.sigmoid(model(**features).logits)
    print(scores)

📚 详细文档

训练数据

给定一个问题和一个段落，该模型可以判断问题是否能由段落回答。模型在 GLUE QNLI 数据集上进行训练，该数据集将 SQuAD 数据集 转换为自然语言推理（NLI）任务。

性能

关于该模型的性能结果，请参阅 SBERT.net 预训练跨编码器。

🔧 技术细节

文档未提供具体技术细节，跳过此章节。

📄 许可证

本项目采用 Apache-2.0 许可证。

📋 模型信息