语言: 中文 数据集:

• z-uo/qasper-squad

基于bert-base的qasper问答模型

基于bert-base-uncased训练而成。

Python调用方式:

from transformers import AutoModelForQuestionAnswering, AutoTokenizer, pipeline

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

# 获取预测结果
问答输入 = {
    'question': '他们提出了什么方案?',
    'context': "本文通过利用Sentinel-2卫星图像时间序列，为作物测绘研究领域提供了创新性贡献，特别旨在提取关于'作物在何时何地生长'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，我们提出了名为类激活区间(CAI)的解决方案，该方案能解释CNN对每个像素的分类决策，确定输入时间序列中作物可能存在的时间区间。我们使用公开数据集的实验表明，该方法能准确检测作物类别(总体精度约93%)，并能识别作物生长的关键时间区间。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、衰老和收获情况)；(ii)为终端用户提供额外信息(如作物存在情况及其时间动态)。"
}

结果 = nlp(问答输入)

# 不通过pipeline加载模型和分词器
模型 = AutoModelForQuestionAnswering.from_pretrained(模型名称)
分词器 = AutoTokenizer.from_pretrained(模型名称)