🚀 多语言e5-large-xnli-anli模型

本模型是在XNLI和ANLI数据集上对 intfloat/multilingual-e5-large 进行微调后的版本，可用于零样本分类等自然语言处理任务，为多语言文本分类提供了高效解决方案。

🚀 快速开始

本模型可通过零样本分类管道或手动使用PyTorch加载和应用，以下为你详细介绍使用方法。

✨ 主要特性

• 多语言支持：支持英语、阿拉伯语、保加利亚语、德语等多种语言。
• 微调优化：在XNLI和ANLI数据集上进行微调，提升了模型性能。
• 零样本分类：可直接对未见过的类别进行分类。

📦 安装指南

文档未提及安装步骤，可参考Hugging Face相关库的安装方法，确保安装 transformers、torch、datasets、tokenizers 等依赖库。

💻 使用示例

基础用法

使用零样本分类管道

模型可以通过 zero-shot-classification 管道加载，示例代码如下：

from transformers import pipeline
classifier = pipeline("zero-shot-classification",
                      model="mjwong/multilingual-e5-large-xnli-anli")

你可以使用这个管道将序列分类到你指定的任何类别名称中。

sequence_to_classify = "Angela Merkel ist eine Politikerin in Deutschland und Vorsitzende der CDU"
candidate_labels = ["politics", "economy", "entertainment", "environment"]
classifier(sequence_to_classify, candidate_labels)

如果多个候选标签都可能正确，可以传递 multi_class=True 来独立计算每个类别：

candidate_labels = ["politics", "economy", "entertainment", "environment"]
classifier(sequence_to_classify, candidate_labels, multi_label=True)

手动使用PyTorch

模型也可以应用于NLI任务，示例代码如下：

import torch
from transformers import AutoTokenizer, AutoModelForSequenceClassification

# device = "cuda:0" or "cpu"
device = torch.device("cuda") if torch.cuda.is_available() else torch.device("cpu")

model_name = "mjwong/multilingual-e5-large-xnli-anli"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForSequenceClassification.from_pretrained(model_name)

premise = "But I thought you'd sworn off coffee."
hypothesis = "I thought that you vowed to drink more coffee."

input = tokenizer(premise, hypothesis, truncation=True, return_tensors="pt")
output = model(input["input_ids"].to(device))
prediction = torch.softmax(output["logits"][0], -1).tolist()
label_names = ["entailment", "neutral", "contradiction"]
prediction = {name: round(float(pred) * 100, 2) for pred, name in zip(prediction, label_names)}
print(prediction)

📚 详细文档

评估结果

模型在15种语言的XNLI测试集上进行了评估，使用的指标是准确率。

模型还在MultiNLI的开发集和ANLI的测试集上进行了评估，使用的指标同样是准确率。

训练超参数

训练过程中使用了以下超参数：

• 学习率：2e-05
• 训练批次大小：16
• 评估批次大小：16
• 随机种子：42
• 优化器：Adam，betas=(0.9, 0.999)，epsilon=1e-08
• 学习率调度器类型：线性
• 学习率调度器热身比例：0.1

框架版本

• Transformers 4.28.1
• Pytorch 1.12.1+cu116
• Datasets 2.11.0
• Tokenizers 0.12.1

🔧 技术细节

模型基于 Text Embeddings by Weakly-Supervised Contrastive Pre-training 论文中的方法，由Liang Wang、Nan Yang、Xiaolong Huang等人于2022年提出。该模型通过弱监督对比预训练学习文本嵌入，在多语言自然语言处理任务中表现出色。

📄 许可证

本模型使用MIT许可证。