多语言 mDeBERTa-v3-base-mnli-xnli

模型描述

该多语言模型可以在100种语言上执行自然语言推理（NLI），因此也适用于多语言零样本分类。该底层模型由微软在 CC100 多语言数据集 上进行预训练。随后在 XNLI 数据集 上进行微调，该数据集包含来自15种语言的假设-前提对，以及英文 MNLI 数据集。

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

如果您需要更小、更快（但性能较低）的模型，可以尝试 multilingual-MiniLMv2-L6-mnli-xnli。

如何使用该模型

简单的零样本分类管道

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

sequence_to_classify = "Angela Merkel ist eine Politikerin in Deutschland und Vorsitzende der CDU"
candidate_labels = ["politics", "economy", "entertainment", "environment"]
output = classifier(sequence_to_classify, candidate_labels, multi_label=False)
print(output)

NLI 使用场景

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 = "Angela Merkel ist eine Politikerin in Deutschland und Vorsitzende der CDU"
hypothesis = "Emmanuel Macron is the President of France"

input = tokenizer(premise, hypothesis, truncation=True, return_tensors="pt")
output = model(input["input_ids"].to(device))  # device = "cuda:0" or "cpu"
prediction = torch.softmax(output["logits"][0], -1).tolist()
label_names = ["entailment", "neutral", "contradiction"]
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 训练数据集上进行训练。XNLI 开发集包含2490篇从英语专业翻译成其他14种语言的文本（总共37350篇文本）（参见 这篇论文）。请注意，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存在质量问题，该模型仅在 XNLI 开发集的专业翻译和原始英文 MNLI 训练集上进行训练（392702篇文本）。不使用机器翻译文本可以避免模型对15种语言过拟合；避免灾难性遗忘 mDeBERTa 预训练时学习的其他85种语言；并显著降低训练成本。

训练过程

mDeBERTa-v3-base-mnli-xnli 使用 Hugging Face trainer 进行训练，超参数如下：

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

该模型在15种语言的 XNLI 测试集上进行评估（每种语言5010篇文本，总共75150篇）。请注意，多语言 NLI 模型能够在未接受特定语言 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够在 mDeBERTa 训练过的其他85种语言上进行 NLI，但性能很可能低于 XNLI 中可用的语言。

另外请注意，如果模型中心上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犯了错误，因为最新的论文中没有一篇显示在 XNLI 上的多语言平均性能超过80%几个百分点（参见 这里 或 这里）。

局限性和偏见

请参阅原始 DeBERTa-V3 论文和不同 NLI 数据集的相关文献以了解潜在偏见。

引用

如果您使用该模型，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'. Preprint, June. Open Science Framework. https://osf.io/74b8k.

合作想法或问题？

如果您有问题或合作想法，请通过 m{dot}laurer{at}vu{dot}nl 或 LinkedIn 联系我

调试和问题

请注意，DeBERTa-v3 于2021年底发布，旧版本的 HF Transformers 似乎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一些问题。请注意，mDeBERTa 目前不支持 FP16，请参阅：https://github.com/microsoft/DeBERTa/issues/77