库名称：transformers
许可证：mit
基础模型：deepset/gbert-large
标签：

• 训练生成
• 德语
  评估指标：
• 准确率
  模型索引：
• 名称：german-zeroshot
  结果：[]
  数据集：
• facebook/xnli
  语言：
• 德语
  流水线标签：零样本分类

german-zeroshot

此模型是基于deepset/gbert-large在facebook/xnli德语数据集上微调的版本。
在评估集上取得了以下结果：

• 损失：0.4592
• 准确率：0.8486

使用方法

# 使用流水线作为高级辅助工具  

pipe = pipeline(  
    "zero-shot-classification",  
    model="kaixkhazaki/german-zeroshot",  
    tokenizer="kaixkhazaki/german-zeroshot",  
    device=0 if torch.cuda.is_available() else -1  # 如果可用则使用GPU  
)  

# 输入文本和分类候选标签  
sequence = "您能解释一下在Linux服务器上配置VPN的步骤吗？"  
candidate_labels = [  
    "技术文档",  
    "IT支持",  
    "网络管理",  
    "Linux配置",  
    "VPN设置"  
]  
pipe(sequence, candidate_labels)  
>>  
{'sequence': '您能解释一下在Linux服务器上配置VPN的步骤吗？',  
'labels': ['VPN设置', 'Linux配置', '网络管理', 'IT支持', '技术文档'],  
'scores': [0.53142249584198, 0.26030370593070984, 0.09126164764165878, 0.06451434642076492, 0.052497804164886475]}  


# 示例2  
sequence = "这个产品的保修期是多久？"  
candidate_labels = [  
    "保修条款",  
    "客户服务",  
    "产品详情",  
    "投诉",  
    "购买咨询"  
]  
pipe(sequence, candidate_labels)  
>>  
{'sequence': '这个产品的保修期是多久？',  
'labels': ['保修条款', '客户服务', '产品详情', '投诉', '购买咨询'],  
'scores': [0.414899080991745, 0.2377401739358902, 0.1381743848323822, 0.12171833217144012, 0.08746808022260666]}  

模型描述

需要更多信息

预期用途与限制

需要更多信息

训练与评估数据

需要更多信息

训练过程

训练超参数

训练过程中使用了以下超参数：

• 学习率：5e-05
• 训练批次大小：64
• 评估批次大小：32
• 随机种子：42
• 优化器：使用adamw_torch，参数为betas=(0.9,0.999)、epsilon=1e-08，无额外优化器参数
• 学习率调度器类型：余弦
• 学习率预热步数：500
• 训练轮数：3

训练结果

框架版本

• Transformers 4.48.0.dev0
• Pytorch 2.4.1+cu121
• Datasets 3.1.0
• Tokenizers 0.21.0