语言: 英语
任务: 抽取式问答
数据集: SQuAD 2.0
标签:

• bert-base

模型描述

该模型用于英语抽取式问答任务。基于bert-base-cased模型构建，且区分大小写：例如能区分"english"和"English"的不同写法。

训练数据

英文版SQuAD v2.0数据集

使用方法

可通过🤗 Transformers库的pipeline直接调用：

>>> from transformers.pipelines import pipeline  
>>> from transformers import AutoTokenizer, AutoModelForQuestionAnswering  

>>> tokenizer = AutoTokenizer.from_pretrained("zhufy/squad-en-bert-base")  
>>> model = AutoModelForQuestionAnswering.from_pretrained("zhufy/squad-en-bert-base")  
>>> nlp = pipeline("question-answering", model=model, tokenizer=tokenizer)  

>>> context = "一个问题如果无论采用何种算法都需要消耗大量资源来解决，就被认为是固有难题。该理论通过引入计算数学模型来研究这些问题，并量化解决它们所需的资源量（如时间和存储空间），从而形式化了这种直觉。其他复杂度度量指标还包括通信量（用于通信复杂度）、电路门数量（用于电路复杂度）以及处理器数量（用于并行计算）。计算复杂度理论的职责之一就是界定计算机能力与局限性的实践边界。"  

>>> question = "衡量复杂度的两个基本核心资源是什么？"  

>>> inputs = {"question": question, "context": context}  

>>> nlp(inputs)  

{'score': 0.8589141368865967,  
 'start': 305,  
 'end': 321,  
 'answer': '时间和存储空间'}