🚀 DeBERTa-v3-base-mnli-fever-docnli-ling-2c

该模型主要用于文本分类和零样本分类任务。它基于多个自然语言推理（NLI）数据集进行训练，能有效预测“蕴含”或“非蕴含”关系，在相关任务中表现出色。

🚀 快速开始

本模型可用于简单的零样本分类任务，也能处理自然语言推理（NLI）相关用例。以下是使用示例：

💻 使用示例

基础用法

from transformers import pipeline
classifier = pipeline("zero-shot-classification", model="MoritzLaurer/DeBERTa-v3-base-mnli-fever-docnli-ling-2c")
sequence_to_classify = "Angela Merkel is a politician in Germany and leader of the CDU"
candidate_labels = ["politics", "economy", "entertainment", "environment"]
output = classifier(sequence_to_classify, candidate_labels, multi_label=False)
print(output)

高级用法

from transformers import AutoTokenizer, AutoModelForSequenceClassification
import torch
device = torch.device("cuda") if torch.cuda.is_available() else torch.device("cpu")

model_name = "MoritzLaurer/DeBERTa-v3-base-mnli-fever-docnli-ling-2c"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForSequenceClassification.from_pretrained(model_name)

premise = "I first thought that I liked the movie, but upon second thought it was actually disappointing."
hypothesis = "The movie was good."

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

✨ 主要特性

• 该模型是模型中心唯一在8个NLI数据集上训练的模型，其中包括包含长文本的DocNLI，可学习长距离推理。
• 基于Microsoft的DeBERTa-v3-base模型，其v3变体通过不同的预训练目标显著优于之前的版本。
• 模型在二分类NLI任务上进行训练，可预测“蕴含”或“非蕴含”关系。

📦 安装指南

文档未提及具体安装步骤，可参考Hugging Face的相关文档进行安装。

📚 详细文档

模型描述

该模型基于8个NLI数据集的1279665个假设 - 前提对进行训练，这些数据集包括MultiNLI、Fever-NLI、LingNLI和DocNLI（其中包括ANLI、QNLI、DUC、CNN/DailyMail、Curation）。

基础模型是Microsoft的DeBERTa-v3-base。DeBERTa的v3变体通过不同的预训练目标显著优于之前的版本，具体可参考原始DeBERTa论文的附录11以及DeBERTa-V3论文。

若追求更高性能（但速度较慢），建议使用https://huggingface.co/MoritzLaurer/DeBERTa-v3-large-mnli-fever-anli-ling-wanli。

训练数据

该模型基于8个NLI数据集的1279665个假设 - 前提对进行训练，这些数据集包括MultiNLI、Fever-NLI、LingNLI和DocNLI（其中包括ANLI、QNLI、DUC、CNN/DailyMail、Curation）。

训练过程

DeBERTa-v3-small-mnli-fever-docnli-ling-2c使用Hugging Face训练器进行训练，超参数如下：

training_args = TrainingArguments(
    num_train_epochs=3,              # total number of training epochs
    learning_rate=2e-05,
    per_device_train_batch_size=32,   # batch size per device during training
    per_device_eval_batch_size=32,    # batch size for evaluation
    warmup_ratio=0.1,                # number of warmup steps for learning rate scheduler
    weight_decay=0.06,               # strength of weight decay
    fp16=True                        # mixed precision training
)

评估结果

该模型使用MultiNLI和ANLI的二分类测试集以及Fever-NLI的二分类开发集进行评估（两个类别而非三个），使用的指标是准确率。

🔧 技术细节

• 模型在二分类NLI任务上进行训练，将DocNLI数据集中的“中立”和“矛盾”类别合并为“非蕴含”类别。
• 使用Hugging Face训练器进行训练，设置了特定的超参数，如训练轮数、学习率、批次大小等。

📄 许可证

本模型使用MIT许可证。

局限性和偏差

请参考原始DeBERTa论文和不同NLI数据集的相关文献，以了解潜在的偏差。

引用

如果使用此模型，请引用：Laurer, Moritz, Wouter van Atteveldt, Andreu Salleras Casas, and Kasper Welbers. 2022. ‘Less Annotating, More Classifying – Addressing the Data Scarcity Issue of Supervised Machine Learning with Deep Transfer Learning and BERT - NLI’. Preprint, June. Open Science Framework. https://osf.io/74b8k.

合作想法或问题咨询？

如果您有问题或合作想法，请通过m{dot}laurer{at}vu{dot}nl联系我，或在LinkedIn上与我联系。

调试和问题

请注意，DeBERTa-v3于2021年12月6日发布，较旧版本的HF Transformers在运行该模型时可能会出现问题（例如分词器问题）。使用Transformers >= 4.13可能会解决一些问题。