数据集:

• multi_nli
• snli 语言: 英语 许可证: apache-2.0 评估指标:
• 准确率 任务标签: 零样本分类 标签:
• microsoft/deberta-v3-large

自然语言推理交叉编码器

该模型使用SentenceTransformers的交叉编码器类进行训练。模型基于microsoft/deberta-v3-large架构。

训练数据

模型在SNLI和MultiNLI数据集上训练。对于给定的句子对，模型将输出三个对应标签的分数：矛盾、蕴含、中立。

性能表现

• SNLI测试集准确率: 92.20
• MNLI不匹配集准确率: 90.49

更多评估结果详见SBERT.net - 预训练交叉编码器。

使用方法

预训练模型可通过以下方式使用：

from sentence_transformers import CrossEncoder
model = CrossEncoder('cross-encoder/nli-deberta-v3-large')
scores = model.predict([('一个男人正在吃披萨', '一个男人在吃东西'), ('一辆黑色赛车在人群前启动', '一个男人独自驾车行驶在荒凉的道路上')])

#将分数转换为标签
label_mapping = ['矛盾', '蕴含', '中立']
labels = [label_mapping[score_max] for score_max in scores.argmax(axis=1)]

Transformers库直接调用

也可不依赖SentenceTransformers库，直接使用Transformers调用：

from transformers import AutoTokenizer, AutoModelForSequenceClassification
import torch

model = AutoModelForSequenceClassification.from_pretrained('cross-encoder/nli-deberta-v3-large')
tokenizer = AutoTokenizer.from_pretrained('cross-encoder/nli-deberta-v3-large')

features = tokenizer(['一个男人正在吃披萨', '一辆黑色赛车在人群前启动'], ['一个男人在吃东西', '一个男人独自驾车行驶在荒凉的道路上'], padding=True, truncation=True, return_tensors="pt")

model.eval()
with torch.no_grad():
    scores = model(**features).logits
    label_mapping = ['矛盾', '蕴含', '中立']
    labels = [label_mapping[score_max] for score_max in scores.argmax(dim=1)]
    print(labels)

零样本分类

本模型还可用于零样本分类任务：

from transformers import pipeline

classifier = pipeline("zero-shot-classification", model='cross-encoder/nli-deberta-v3-large')

sent = "苹果公司刚刚发布了最新款iPhone X"
candidate_labels = ["科技", "体育", "政治"]
res = classifier(sent, candidate_labels)
print(res)