语言: 中文
标签:

• 问答系统
  数据集:
• z-uo/qasper-squad

基于qasper的roberta-base问答模型

基于deepset/roberta-base-squad2微调训练

Python调用方式:

from transformers import AutoModelForQuestionAnswering, AutoTokenizer, pipeline

# 通过pipeline加载模型  
model_name = "z-uo/roberta-qasper"  
nlp = pipeline('question-answering', model=model_name, tokenizer=model_name)  

# 获取预测结果  
QA_input = {  
    'question': '他们提出了什么方案？',  
    'context': "本文通过利用Sentinel-2卫星影像时间序列，为作物测绘研究领域提供了创新贡献，特别旨在提取关于'何地何时'种植作物的信息。最终目标是建立一个能可靠识别（分类）特定区域种植作物的端到端(3+2)D卷积神经网络（CNN）语义分割工作流。该方法还致力于在像素级别提供作物生长季节的栽培时段信息。为此，我们提出了名为'类别激活区间'（CAI）的解决方案，该方案能解释CNN分类时每个像素的决策依据，确定输入时间序列中作物可能存在的时间区间。基于公开数据集的实验表明，该方法能以约93%的整体准确率检测作物类别，并能识别作物生长的关键判别时段。这些结果具有双重意义：(i)证明了网络正确解析物理过程的能力（如根据特定品种的裸土状态、植株生长、衰老和收获期）；(ii)为终端用户提供作物存在性及其时间动态的附加信息。"  
}  

res = nlp(QA_input)  

# 不通过pipeline加载模型  
model = AutoModelForQuestionAnswering.from_pretrained(model_name)  
tokenizer = AutoTokenizer.from_pretrained(model_name)