许可证: mit
缩略图: https://huggingface.co/front/thumbnails/facebook.png
管道标签: 零样本分类
数据集:

• multi_nli

BART大型MNLI模型

这是facebook/bart-large模型在MultiNLI（MNLI）数据集上训练后的检查点。

关于该模型的更多信息：

• bart-large模型页面
• BART：用于自然语言生成、翻译和理解的去噪序列到序列预训练
• BART fairseq实现

基于NLI的零样本文本分类

Yin等人提出了一种方法，将预训练的NLI模型用作现成的零样本序列分类器。该方法通过将待分类序列作为NLI前提，并从每个候选标签构建假设来实现。例如，如果我们想评估一个序列是否属于“政治”类别，我们可以构建一个假设这段文本是关于政治的。。然后，蕴含和矛盾的概率被转换为标签概率。

这种方法在许多情况下出奇地有效，特别是与BART和Roberta等大型预训练模型一起使用时。有关此方法及其他零样本方法的更详细介绍，请参阅此博客文章。下面的代码片段展示了如何使用此模型进行零样本分类，包括使用Hugging Face内置的管道和原生Transformers/PyTorch代码。

使用零样本分类管道

可以通过以下方式加载zero-shot-classification管道：

from transformers import pipeline  
classifier = pipeline("zero-shot-classification",  
                      model="facebook/bart-large-mnli")  

然后，您可以使用此管道将序列分类为您指定的任何类别名称。

sequence_to_classify = "总有一天我会去看看这个世界"  
candidate_labels = ['旅行', '烹饪', '舞蹈']  
classifier(sequence_to_classify, candidate_labels)  
#{'labels': ['旅行', '舞蹈', '烹饪'],  
# 'scores': [0.9938651323318481, 0.0032737774308770895, 0.002861034357920289],  
# 'sequence': '总有一天我会去看看这个世界'}  

如果多个候选标签可能正确，传递multi_label=True以独立计算每个类别：

candidate_labels = ['旅行', '烹饪', '舞蹈', '探索']  
classifier(sequence_to_classify, candidate_labels, multi_label=True)  
#{'labels': ['旅行', '探索', '舞蹈', '烹饪'],  
# 'scores': [0.9945111274719238,  
#  0.9383890628814697,  
#  0.0057061901316046715,  
#  0.0018193122232332826],  
# 'sequence': '总有一天我会去看看这个世界'}  

手动使用PyTorch

# 将序列作为NLI前提，标签作为假设  
from transformers import AutoModelForSequenceClassification, AutoTokenizer  
nli_model = AutoModelForSequenceClassification.from_pretrained('facebook/bart-large-mnli')  
tokenizer = AutoTokenizer.from_pretrained('facebook/bart-large-mnli')  

premise = sequence  
hypothesis = f'这个例子是关于{label}的。'  

# 通过预训练在MNLI上的模型运行  
x = tokenizer.encode(premise, hypothesis, return_tensors='pt',  
                     truncation_strategy='only_first')  
logits = nli_model(x.to(device))[0]  

# 丢弃“中性”（维度1），取“蕴含”（维度2）的概率作为标签为真的概率  
entail_contradiction_logits = logits[:,[0,2]]  
probs = entail_contradiction_logits.softmax(dim=1)  
prob_label_is_true = probs[:,1]