语言:

• 多语言
• 英语
• 阿拉伯语
• 保加利亚语
• 德语
• 希腊语
• 西班牙语
• 法语
• 印地语
• 俄语
• 斯瓦希里语
• 泰语
• 土耳其语
• 乌尔都语
• 越南语
• 中文

许可证: mit 标签:

• 零样本分类
• 文本分类
• 自然语言推理
• pytorch 评估指标:
• 准确率 数据集:
• multi_nli
• xnli 管道标签: 零样本分类 小部件示例:
• 文本: "安格拉·默克尔是德国的一位政治家，也是基民盟的主席" 候选标签: "政治, 经济, 娱乐, 环境"

多语言 mDeBERTa-v3-base-mnli-xnli 模型

模型描述

这款多语言模型能够对100种语言进行自然语言推理（NLI），因此也非常适合多语言的零样本分类任务。基础模型由微软在CC100多语言数据集上进行了预训练。随后，模型在XNLI数据集和英文MNLI数据集上进行了微调。XNLI数据集包含15种语言的假设-前提对。

截至2021年12月，mDeBERTa-base是性能最佳的多语言基础规模Transformer模型，由微软在这篇论文中提出。

如果您需要一个更小、更快（但性能稍逊）的模型，可以尝试multilingual-MiniLMv2-L6-mnli-xnli。

如何使用该模型

简单的零样本分类流程

from transformers import pipeline
classifier = pipeline("zero-shot-classification", model="MoritzLaurer/mDeBERTa-v3-base-mnli-xnli")

sequence_to_classify = "安格拉·默克尔是德国的一位政治家，也是基民盟的主席"
candidate_labels = ["政治", "经济", "娱乐", "环境"]
output = classifier(sequence_to_classify, candidate_labels, multi_label=False)
print(output)

NLI用例

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

model_name = "MoritzLaurer/mDeBERTa-v3-base-mnli-xnli"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForSequenceClassification.from_pretrained(model_name)

premise = "安格拉·默克尔是德国的一位政治家，也是基民盟的主席"
hypothesis = "埃马纽埃尔·马克龙是法国总统"

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

训练数据

该模型在XNLI开发数据集和MNLI训练数据集上进行了训练。XNLI开发集包含2490条从英语专业翻译成其他14种语言的文本（总计37350条文本）（参见这篇论文）。需要注意的是，XNLI包含15种语言的MNLI数据集的机器翻译版本训练集，但由于这些机器翻译的质量问题，本模型仅使用了XNLI开发集中的专业翻译文本和原始英文MNLI训练集（392702条文本）进行训练。不使用机器翻译文本可以避免模型对这15种语言的过拟合；避免mDeBERTa预训练时对其他85种语言的灾难性遗忘；并显著降低训练成本。

训练过程

mDeBERTa-v3-base-mnli-xnli使用Hugging Face训练器，并采用以下超参数进行训练：

training_args = TrainingArguments(
    num_train_epochs=2,              # 训练总轮数
    learning_rate=2e-05,
    per_device_train_batch_size=16,   # 训练时每个设备的批次大小
    per_device_eval_batch_size=16,    # 评估时的批次大小
    warmup_ratio=0.1,                # 学习率调度器的预热步数比例
    weight_decay=0.06,               # 权重衰减强度
)

评估结果

模型在XNLI测试集的15种语言上进行了评估（每种语言5010条文本，总计75150条）。需要注意的是，多语言NLI模型能够在未接收特定语言NLI训练数据的情况下对NLI文本进行分类（跨语言迁移）。这意味着该模型也能对mDeBERTa预训练涉及的其余85种语言进行NLI任务，但性能很可能低于XNLI中包含的语言。

同时请注意，如果模型中心的其他多语言模型声称在英语以外的语言上达到约90%的性能，作者很可能在测试过程中出现了错误，因为最新论文显示，XNLI上的多语言平均性能仅略高于80%（参见这里或这里）。

局限性与偏差

请参考原始DeBERTa-V3论文及关于不同NLI数据集的文献，了解潜在的偏差问题。

引用

如果您使用此模型，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’. 预印本，六月。Open Science Framework。https://osf.io/74b8k。

合作意向或问题咨询？

如有问题或合作意向，请联系我：m{dot}laurer{at}vu{dot}nl 或访问LinkedIn

调试与问题说明

请注意，DeBERTa-v3于2021年底发布，旧版本的HF Transformers可能在运行该模型时存在问题（例如导致分词器问题）。使用Transformers>=4.13或更高版本可能会解决部分问题。需要注意的是，mDeBERTa目前不支持FP16，详情参见：https://github.com/microsoft/DeBERTa/issues/77