库名称: transformers 语言:

• 多语言
• 孟加拉语
• 捷克语
• 德语
• 英语
• 爱沙尼亚语
• 芬兰语
• 法语
• 古吉拉特语
• 豪萨语
• 印地语
• 冰岛语
• 日语
• 哈萨克语
• 高棉语
• 立陶宛语
• 拉脱维亚语
• 波兰语
• 普什图语
• 俄语
• 泰米尔语
• 土耳其语
• 乌克兰语
• 科萨语
• 中文
• 祖鲁语 许可证: mit 基础模型: FacebookAI/xlm-roberta-large 标签:
• 质量评估
• 回归
• 训练生成 数据集:
• ymoslem/wmt-da-human-evaluation 模型索引:
• 名称: 机器翻译质量评估 结果:
  • 任务: 类型: 回归 数据集: 名称: ymoslem/wmt-da-human-evaluation 类型: QE 指标:
    • 名称: 皮尔逊相关系数 类型: Pearson 值: 0.422
    • 名称: 平均绝对误差 类型: MAE 值: 0.196
    • 名称: 均方根误差 类型: RMSE 值: 0.245
    • 名称: R平方值 类型: R2 值: 0.245 指标:
• 困惑度
• 平均绝对误差
• R平方值

机器翻译质量评估模型

本模型是基于FacebookAI/xlm-roberta-large在ymoslem/wmt-da-human-evaluation数据集上微调的版本。在评估集上取得如下结果：

• 损失值: 0.0752

模型描述

该模型用于机器翻译(MT)系统的无参考质量评估(QE)。

训练流程

训练超参数

训练过程中使用以下超参数：

• 学习率: 8e-05
• 训练批次大小: 64
• 评估批次大小: 64
• 随机种子: 42
• 优化器: 使用OptimizerNames.ADAMW_TORCH_FUSED，参数为betas=(0.9,0.999)，epsilon=1e-08，无额外优化器参数
• 学习率调度器类型: 线性
• 训练步数: 20000

训练结果

框架版本

• Transformers 4.48.0
• Pytorch 2.4.1+cu124
• Datasets 3.2.0
• Tokenizers 0.21.0

推理

1. 安装所需库

pip3 install --upgrade datasets accelerate transformers
pip3 install --upgrade flash_attn triton

2. 加载测试数据集

from datasets import load_dataset

test_dataset = load_dataset("ymoslem/wmt-da-human-evaluation",
                             split="test",
                             trust_remote_code=True
                            )
print(test_dataset)

3. 加载模型和分词器

from transformers import AutoModelForSequenceClassification, AutoTokenizer
import torch

# 加载微调模型和分词器
model_name = "ymoslem/ModernBERT-large-qe-v1"
model = AutoModelForSequenceClassification.from_pretrained(
    model_name,
    device_map="auto",
    torch_dtype=torch.bfloat16,
    attn_implementation="flash_attention_2",
)
tokenizer = AutoTokenizer.from_pretrained(model_name)

# 将模型移至GPU(如果可用)
device = "cuda" if torch.cuda.is_available() else "cpu"
model.to(device)
model.eval()

4. 准备数据集。每个源文本src和目标文本tgt用sep_token分隔，ModernBERT的分隔符是'</s>'

sep_token = tokenizer.sep_token
input_test_texts = [f"{src} {sep_token} {tgt}" for src, tgt in zip(test_dataset["src"], test_dataset["mt"])]

5. 生成预测

如果打印model.config.problem_type，输出是regression。 您仍可使用"text-classification"流水线如下(参见流水线文档):

from transformers import pipeline

classifier = pipeline("text-classification",
                      model=model_name,
                      tokenizer=tokenizer,
                      device=0,
                     )

predictions = classifier(input_test_texts,
                         batch_size=128,
                         truncation=True,
                         padding="max_length",
                         max_length=tokenizer.model_max_length,
                       )
predictions = [prediction["score"] for prediction in predictions]

或者使用更精细的代码版本，速度稍快且提供更多控制

from torch.utils.data import DataLoader
import torch
from tqdm.auto import tqdm

# 分词函数
def process_batch(batch, tokenizer, device):
    sep_token = tokenizer.sep_token
    input_texts = [f"{src} {sep_token} {tgt}" for src, tgt in zip(batch["src"], batch["mt"])]
    tokens = tokenizer(input_texts,
                       truncation=True,
                       padding="max_length",
                       max_length=tokenizer.model_max_length,
                       return_tensors="pt",
                      ).to(device)
    return tokens
    

# 创建批处理DataLoader
test_dataloader = DataLoader(test_dataset, 
                             batch_size=128,   # 根据需要调整批次大小
                             shuffle=False)

# 存储所有预测的列表
predictions = []

with torch.no_grad():
    for batch in tqdm(test_dataloader, desc="推理进度", unit="batch"):
        tokens = process_batch(batch, tokenizer, device)
        
        # 前向传播：生成模型logits
        outputs = model(**tokens)

        # 获取logits(预测值)
        logits = outputs.logits

        # 提取回归预测值
        batch_predictions = logits.squeeze()

        # 将预测值加入列表
        predictions.extend(batch_predictions.tolist())