许可证: mit
数据集:

• squad_v2
• squad
  语言:
• en
  库名称: transformers
  流水线标签: question-answering
  标签:
• question-answering
• squad
• squad_v2
• t5

模型索引:

• 名称: sjrhuschlee/flan-t5-base-squad2
  结果:
  • 任务:
    类型: question-answering
    名称: 问答
    数据集:
    名称: squad_v2
    类型: squad_v2
    配置: squad_v2
    分割: validation
    指标:
    • 类型: exact_match
      值: 82.203
      名称: 精确匹配
    • 类型: f1
      值: 85.283
      名称: F1分数
  • 任务:
    类型: question-answering
    名称: 问答
    数据集:
    名称: squad
    类型: squad
    配置: plain_text
    分割: validation
    指标:
    • 类型: exact_match
      值: 86.367
      名称: 精确匹配
    • 类型: f1
      值: 92.965
      名称: F1分数
  • 任务:
    类型: question-answering
    名称: 问答
    数据集:
    名称: adversarial_qa
    类型: adversarial_qa
    配置: adversarialQA
    分割: validation
    指标:
    • 类型: exact_match
      值: 34.167
      名称: 精确匹配
    • 类型: f1
      值: 46.911
      名称: F1分数
  • 任务:
    类型: question-answering
    名称: 问答
    数据集:
    名称: squad_adversarial
    类型: squad_adversarial
    配置: AddOneSent
    分割: validation
    指标:
    • 类型: exact_match
      值: 80.862
      名称: 精确匹配
    • 类型: f1
      值: 86.070
      名称: F1分数
  • 任务:
    类型: question-answering
    名称: 问答
    数据集:
    名称: squadshifts amazon
    类型: squadshifts
    配置: amazon
    分割: test
    指标:
    • 类型: exact_match
      值: 71.624
      名称: 精确匹配
    • 类型: f1
      值: 85.113
      名称: F1分数
  • 任务:
    类型: question-answering
    名称: 问答
    数据集:
    名称: squadshifts new_wiki
    类型: squadshifts
    配置: new_wiki
    分割: test
    指标:
    • 类型: exact_match
      值: 82.389
      名称: 精确匹配
    • 类型: f1
      值: 91.259
      名称: F1分数
  • 任务:
    类型: question-answering
    名称: 问答
    数据集:
    名称: squadshifts nyt
    类型: squadshifts
    配置: nyt
    分割: test
    指标:
    • 类型: exact_match
      值: 83.736
      名称: 精确匹配
    • 类型: f1
      值: 91.675
      名称: F1分数
  • 任务:
    类型: question-answering
    名称: 问答
    数据集:
    名称: squadshifts reddit
    类型: squadshifts
    配置: reddit
    分割: test
    指标:
    • 类型: exact_match
      值: 72.743
      名称: 精确匹配
    • 类型: f1
      值: 84.273
      名称: F1分数

用于抽取式问答的flan-t5-base模型

这是基于flan-t5-base模型，使用SQuAD2.0数据集进行微调的版本。该模型经过训练，可用于处理包含无答案问题的问答对，执行抽取式问答任务。

更新说明： 使用transformers 4.31.0及以上版本时，不再需要设置use_remote_code=True参数。

重要提示： 为使模型正常工作，必须手动在问题开头添加<cls>标记。该模型通过<cls>标记来预测"无答案"情况。由于t5分词器不会自动添加这个特殊标记，因此需要手动添加。

模型概览

语言模型： flan-t5-base
语言： 英语
下游任务： 抽取式问答
训练数据： SQuAD 2.0
评估数据： SQuAD 2.0
硬件配置： 1×NVIDIA 3070显卡

模型使用示例

import torch
from transformers import(
  AutoModelForQuestionAnswering,
  AutoTokenizer,
  pipeline
)
model_name = "sjrhuschlee/flan-t5-base-squad2"

# a) 使用流水线
nlp = pipeline(
  'question-answering',
  model=model_name,
  tokenizer=model_name,
  # trust_remote_code=True,  # transformers>=4.31.0版本无需此参数
)
qa_input = {
'question': f'{nlp.tokenizer.cls_token}Where do I live?',  # '<cls>Where do I live?'
'context': 'My name is Sarah and I live in London'
}
res = nlp(qa_input)
# 输出: {'score': 0.980, 'start': 30, 'end': 37, 'answer': ' London'}

# b) 加载模型和分词器
model = AutoModelForQuestionAnswering.from_pretrained(
  model_name,
  # trust_remote_code=True  # transformers>=4.31.0版本无需此参数
)
tokenizer = AutoTokenizer.from_pretrained(model_name)

question = f'{tokenizer.cls_token}Where do I live?'  # '<cls>Where do I live?'
context = 'My name is Sarah and I live in London'
encoding = tokenizer(question, context, return_tensors="pt")
output = model(
  encoding["input_ids"],
  attention_mask=encoding["attention_mask"]
)

all_tokens = tokenizer.convert_ids_to_tokens(encoding["input_ids"][0].tolist())
answer_tokens = all_tokens[torch.argmax(output["start_logits"]):torch.argmax(output["end_logits"]) + 1]
answer = tokenizer.decode(tokenizer.convert_tokens_to_ids(answer_tokens))
# 输出: 'London'

性能指标

# SQuAD v2数据集
{
    "eval_HasAns_exact": 79.97638326585695,
    "eval_HasAns_f1": 86.1444296592862,
    "eval_HasAns_total": 5928,
    "eval_NoAns_exact": 84.42388561816652,
    "eval_NoAns_f1": 84.42388561816652,
    "eval_NoAns_total": 5945,
    "eval_best_exact": 82.2033184536343,
    "eval_best_exact_thresh": 0.0,
    "eval_best_f1": 85.28292588395921,
    "eval_best_f1_thresh": 0.0,
    "eval_exact": 82.2033184536343,
    "eval_f1": 85.28292588395928,
    "eval_runtime": 522.0299,
    "eval_samples": 12001,
    "eval_samples_per_second": 22.989,
    "eval_steps_per_second": 0.96,
    "eval_total": 11873
}

# SQuAD数据集
{
    "eval_exact_match": 86.3197729422895,
    "eval_f1": 92.94686836210295,
    "eval_runtime": 442.1088,
    "eval_samples": 10657,
    "eval_samples_per_second": 24.105,
    "eval_steps_per_second": 1.007
}

训练过程

训练超参数

训练过程中使用了以下超参数：

• 学习率: 2e-05
• 训练批大小: 16
• 评估批大小: 8
• 随机种子: 42
• 梯度累积步数: 6
• 总训练批大小: 96
• 优化器: Adam (beta1=0.9, beta2=0.999, epsilon=1e-08)
• 学习率调度器类型: linear
• 学习率预热比例: 0.1
• 训练轮数: 4.0

训练结果

（此处内容为空）

框架版本

• Transformers 4.30.0.dev0
• PyTorch 2.0.1+cu117
• Datasets 2.12.0
• Tokenizers 0.13.3