language: es
tags:

• 零样本分类
• 自然语言推理
• PyTorch
  datasets:
• XNLI
  pipeline_tag: 零样本分类
  license: apache-2.0
  widget:
• text: "作者在其逝世50周年之际，被塑造成他那个世纪的伟人之一"
  candidate_labels: "文化, 社会, 经济, 健康, 体育"

零样本SELECTRA：基于SELECTRA的零样本分类器

零样本SELECTRA是在XNLI数据集西班牙语部分上微调的SELECTRA模型。您可以使用Hugging Face的零样本流水线进行零样本分类。

与我们之前基于BETO的零样本分类器相比，零样本SELECTRA更加轻量级。如指标部分所示，small版本（参数少5倍）性能略低，而medium版本（参数少3倍）优于基于BETO的零样本分类器。

使用方法

from transformers import pipeline  
classifier = pipeline("zero-shot-classification",   
                       model="Recognai/zeroshot_selectra_medium")  

classifier(  
    "作者在其逝世50周年之际，被塑造成他那个世纪的伟人之一",  
    candidate_labels=["文化", "社会", "经济", "健康", "体育"],  
    hypothesis_template="这个例子属于{}。"  
)  
"""输出  
{'sequence': '作者在其逝世50周年之际，被塑造成他那个世纪的伟人之一',  
 'labels': ['社会', '文化', '健康', '经济', '体育'],  
 'scores': [0.3711881935596466,  
  0.25650349259376526,  
  0.17355826497077942,  
  0.1641489565372467,  
  0.03460107371211052]}  
"""  

hypothesis_template参数很重要，且应为西班牙语。在右侧的小部件中，此参数设置为默认值：“This example is {}.”，因此预期结果会有所不同。

指标

*通过零样本学习（ZSL）评估

• XNLI：所述准确率指在XNLI数据集测试部分上的表现，模型已在训练部分上微调。
• MLSUM：此准确率基于MLSUM数据集测试集，对5个选定标签的摘要进行分类。详情请查看我们的评估笔记本。

训练

查看我们的训练笔记本获取所有细节。

作者

• David Fidalgo (GitHub)
• Daniel Vila (GitHub)
• Francisco Aranda (GitHub)
• Javier Lopez (GitHub)