许可证：apache-2.0
标签：

• generated_from_keras_callback
  模型索引：
• 名称：kasrahabib/KM35NCDF
  结果：[]
  小部件：
• 文本："应用需要跟踪任务中的子任务。"
  示例标题："需求1"
• 文本："系统应允许用户以多种不同格式输入时间。"
  示例标题："需求2"
• 文本："系统应允许持有ORES/ORELSE/PROVIDER任一密钥的用户被视为临床用户，并拥有所有问题列表选项的完全访问权限。"
  示例标题："需求3"

kasrahabib/KM35NCDF

该模型是基于sentence-transformers/all-MiniLM-L6-v2在软件需求数据集（SWARD）上微调的版本，用于分类19种非功能性需求。需注意，根据文献，19类中的两类（数据和行为）属于功能性软件需求的类型。在评估集上达到以下结果：

• 训练损失：0.1691
• 验证损失：0.7548
• 训练轮次：14
• 最终宏F1分数：0.79

标签：
0或A -> 可用性；
1或AC -> 访问控制；
2或AU -> 审计；
3或B -> 行为；
4或D -> 数据；
5或FT -> 容错性；
6或I -> 接口/互操作性；
7或LE -> 法律；
8或LF -> 外观；
9或MN -> 可维护性；
10或O -> 操作性；
11或PE -> 性能；
12或PO -> 可移植性；
13或RL -> 可靠性；
14或SA -> 安全性；
15或SC -> 可扩展性；
16或SE -> 安全；
17或ST -> 稳定性；
18或US -> 可用性；

使用流程

from transformers import pipeline  

frame_work = 'tf'  
task = 'text-classification'  
model_ckpt = 'kasrahabib/KM35NCDF'  

software_requirment_cls = pipeline(task=task, model=model_ckpt, framework=frame_work)  

example_1_US = '应用需要跟踪任务中的子任务。'  
example_2_PE = '系统应允许用户以多种不同格式输入时间。'  
example_3_AC = '系统应允许持有ORES/ORELSE/PROVIDER任一密钥的用户被视为临床用户，并拥有所有问题列表选项的完全访问权限。'  

software_requirment_cls([example_1_US, example_2_PE, example_3_AC])  

[{'label': 'US', 'score': 0.9712953567504883},  
 {'label': 'PE', 'score': 0.9457865953445435},  
 {'label': 'AC', 'score': 0.9639136791229248}]  

模型推理：

import numpy as np  
from transformers import AutoTokenizer, TFAutoModelForSequenceClassification  

model_ckpt = 'kasrahabib/KM35NCDF'  
tokenizer = AutoTokenizer.from_pretrained(model_ckpt)  
model = TFAutoModelForSequenceClassification.from_pretrained(model_ckpt)  

example_1_US = '应用需要跟踪任务中的子任务。'  
example_2_PE = '系统应允许用户以多种不同格式输入时间。'  
example_3_AC = '系统应允许持有ORES/ORELSE/PROVIDER任一密钥的用户被视为临床用户，并拥有所有问题列表选项的完全访问权限。'  
requirements = [example_1_US, example_2_PE, example_3_AC]  

encoded_requirements = tokenizer(requirements, return_tensors='np', padding='longest')  

y_pred = model(encoded_requirements).logits  
classifications = np.argmax(y_pred, axis=1)  

classifications = [model.config.id2label[output] for output in classifications]  
print(classifications)  

['US', 'PE', 'AC']  

本地下载使用（如GitHub）：

1 - 克隆仓库：

git lfs install  
git clone 仓库地址  

2 - 定位下载目录路径
3 - 将路径链接写入model_ckpt变量

然后修改代码如下：

import numpy as np  
from transformers import AutoTokenizer, TFAutoModelForSequenceClassification  

model_ckpt = '路径其余部分/KM35NCDF'  
tokenizer = AutoTokenizer.from_pretrained(model_ckpt)  
model = TFAutoModelForSequenceClassification.from_pretrained(model_ckpt)  

example_1_US = '应用需要跟踪任务中的子任务。'  
example_2_PE = '系统应允许用户以多种不同格式输入时间。'  
example_3_AC = '系统应允许持有ORES/ORELSE/PROVIDER任一密钥的用户被视为临床用户，并拥有所有问题列表选项的完全访问权限。'  
requirements = [example_1_US, example_2_PE, example_3_AC]  

encoded_requirements = tokenizer(requirements, return_tensors='np', padding='longest')  

y_pred = model(encoded_requirements).logits  
classifications = np.argmax(y_pred, axis=1)  

classifications = [model.config.id2label[output] for output in classifications]  
print(classifications)  

训练超参数

训练时使用以下超参数：

• 优化器：{'name': 'Adam', 'weight_decay': None, 'clipnorm': None, 'global_clipnorm': None, 'clipvalue': None, 'use_ema': False, 'ema_momentum': 0.99, 'ema_overwrite_frequency': None, 'jit_compile': True, 'is_legacy_optimizer': False, 'learning_rate': {'class_name': 'PolynomialDecay', 'config': {'initial_learning_rate': 2e-05, 'decay_steps': 6735, 'end_learning_rate': 0.0, 'power': 1.0, 'cycle': False, 'name': None}}, 'beta_1': 0.9, 'beta_2': 0.999, 'epsilon': 1e-08, 'amsgrad': False}
• 训练精度：float32

框架版本

• Transformers 4.26.1
• TensorFlow 2.11.0
• Datasets 2.10.0
• Tokenizers 0.13.2