nli-deberta-v3-xsmall - 使用DeBERTa模型实现自然语言推理与零样本分类

项目介绍：nli-deberta-v3-xsmall

nli-deberta-v3-xsmall是一个用于自然语言推理的跨编码器模型。该项目建立在微软的deberta-v3-xsmall模型基础上，旨在提供准确的句子对关系预测能力。主要应用于自然语言处理（NLP）领域的零样本分类任务。

模型简介

nli-deberta-v3-xsmall使用了SentenceTransformers库中的跨编码器类进行训练，是一个为自然语言推理设计的模型。模型输出三个分值，分别对应于“矛盾”、“蕴涵”和“中立”这三种关系标签。

训练数据

该模型是在SNLI（Stanford NLI）和MultiNLI数据集上进行训练的。通过这些数据集，模型学习如何辨别句子对之间的逻辑关系。

性能表现

nli-deberta-v3-xsmall在以下数据集上的准确率表现如下：

SNLI测试集上，准确率为91.64%
MNLI不匹配集上，准确率为87.77%

使用指南

nli-deberta-v3-xsmall模型可以通过预训练模型进行使用。使用示例如下：

from sentence_transformers import CrossEncoder
model = CrossEncoder('cross-encoder/nli-deberta-v3-xsmall')
scores = model.predict([('A man is eating pizza', 'A man eats something'), 
                        ('A black race car starts up in front of a crowd of people.', 
                         'A man is driving down a lonely road.')])

# 将分数转换为标签
label_mapping = ['contradiction', 'entailment', 'neutral']
labels = [label_mapping[score_max] for score_max in scores.argmax(axis=1)]

与Transformers库的结合使用

除了通过SentenceTransformers库，用户还可以直接使用Transformers库来使用该模型。

from transformers import AutoTokenizer, AutoModelForSequenceClassification
import torch

model = AutoModelForSequenceClassification.from_pretrained('cross-encoder/nli-deberta-v3-xsmall')
tokenizer = AutoTokenizer.from_pretrained('cross-encoder/nli-deberta-v3-xsmall')

features = tokenizer(['A man is eating pizza', 'A black race car starts up in front of a crowd of people.'], 
                     ['A man eats something', 'A man is driving down a lonely road.'],  
                     padding=True, truncation=True, return_tensors="pt")

model.eval()
with torch.no_grad():
    scores = model(**features).logits
    label_mapping = ['contradiction', 'entailment', 'neutral']
    labels = [label_mapping[score_max] for score_max in scores.argmax(dim=1)]
    print(labels)

零样本分类

nli-deberta-v3-xsmall还可以用于零样本分类，即在没有特定标签训练的情况下进行分类任务。

from transformers import pipeline

classifier = pipeline("zero-shot-classification", model='cross-encoder/nli-deberta-v3-xsmall')

sent = "Apple just announced the newest iPhone X"
candidate_labels = ["technology", "sports", "politics"]
res = classifier(sent, candidate_labels)
print(res)

通过这些工具和示例，用户可以轻松地将nli-deberta-v3-xsmall模型应用到各种自然语言推理和分类任务中。模型发布在Apache-2.0许可证下，使用者可以根据需要自由分发和修改代码。