🚀 用于问答的Electra-base模型

该模型基于Electra-base语言模型，专注于抽取式问答任务，使用SQuAD 2.0数据集进行训练和评估，能为问答场景提供高效准确的解决方案。

🚀 快速开始

你可以参考以下代码示例快速使用该模型，具体使用方法可根据不同的框架进行选择。

✨ 主要特性

• 语言模型：electra-base
• 语言：英语
• 下游任务：抽取式问答
• 训练数据：SQuAD 2.0
• 评估数据：SQuAD 2.0
• 代码示例：可查看 FARM 中的 示例
• 基础设施：1x Tesla v100

📦 安装指南

文档未提及具体安装步骤，可参考代码示例中的依赖库安装说明。

💻 使用示例

基础用法

在Transformers框架中

from transformers import AutoModelForQuestionAnswering, AutoTokenizer, pipeline

model_name = "deepset/electra-base-squad2"

# a) 获取预测结果
nlp = pipeline('question-answering', model=model_name, tokenizer=model_name)
QA_input = {
    'question': 'Why is model conversion important?',
    'context': 'The option to convert models between FARM and transformers gives freedom to the user and let people easily switch between frameworks.'
}
res = nlp(QA_input)

# b) 加载模型和分词器
model = AutoModelForQuestionAnswering.from_pretrained(model_name)
tokenizer = AutoTokenizer.from_pretrained(model_name)

在FARM框架中

from farm.modeling.adaptive_model import AdaptiveModel
from farm.modeling.tokenization import Tokenizer
from farm.infer import Inferencer

model_name = "deepset/electra-base-squad2"

# a) 获取预测结果
nlp = Inferencer.load(model_name, task_type="question_answering")
QA_input = [{"questions": ["Why is model conversion important?"],
             "text": "The option to convert models between FARM and transformers gives freedom to the user and let people easily switch between frameworks."}]
res = nlp.inference_from_dicts(dicts=QA_input)

# b) 加载模型和分词器
model = AdaptiveModel.convert_from_transformers(model_name, device="cpu", task_type="question_answering")
tokenizer = Tokenizer.load(model_name)

在haystack框架中

若要进行大规模问答（即处理多篇文档而非单个段落），可以在 haystack 中加载该模型：

reader = FARMReader(model_name_or_path="deepset/electra-base-squad2")
# 或者
reader = TransformersReader(model="deepset/electra-base-squad2",tokenizer="deepset/electra-base-squad2")

高级用法

文档未提及高级用法相关代码示例。

📚 详细文档

超参数设置

seed=42
batch_size = 32
n_epochs = 5
base_LM_model = "google/electra-base-discriminator"
max_seq_len = 384
learning_rate = 1e-4
lr_schedule = LinearWarmup
warmup_proportion = 0.1
doc_stride=128
max_query_length=64

性能评估

使用 官方评估脚本 在SQuAD 2.0开发集上进行评估，结果如下：

"exact": 77.30144024256717,
 "f1": 81.35438272008543,
 "total": 11873,
 "HasAns_exact": 74.34210526315789,
 "HasAns_f1": 82.45961302894314,
 "HasAns_total": 5928,
 "NoAns_exact": 80.25231286795626,
 "NoAns_f1": 80.25231286795626,
 "NoAns_total": 5945

🔧 技术细节

文档未提及具体技术实现细节。

📄 许可证

本模型使用的许可证为 cc-by-4.0。

👥 作者

• Vaishali Pal vaishali.pal [at] deepset.ai
• Branden Chan: branden.chan [at] deepset.ai
• Timo Möller: timo.moeller [at] deepset.ai
• Malte Pietsch: malte.pietsch [at] deepset.ai
• Tanay Soni: tanay.soni [at] deepset.ai

注意事项

本模型是从Haystack模型仓库借用的，用于添加TensorFlow模型。