I'll translate the HuggingFace model README to Simplified Chinese, preserving all code blocks, links, and markdown formatting.

language:

• multilingual
• en
• ar
• bg
• de
• el
• es
• fr
• hi
• ru
• sw
• th
• tr
• ur
• vi
• zh license: mit tags:
• zero-shot-classification
• text-classification
• nli
• pytorch metrics:
• accuracy datasets:
• multi_nli
• xnli pipeline_tag: zero-shot-classification widget:
• text: "Angela Merkel ist eine Politikerin in Deutschland und Vorsitzende der CDU" candidate_labels: "politics, economy, entertainment, environment"

多语言 MiniLMv2-L6-mnli-xnli

模型描述

这个多语言模型可以在100多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。底层的多语言 MiniLM-L6 模型由微软创建，是从 XLM-RoBERTa-large 蒸馏而来的（详情请参阅原始论文以及此仓库中的更新信息）。该模型随后在 XNLI 数据集上进行了微调，该数据集包含15种语言的假设-前提对，以及英文 MNLI 数据集。

蒸馏模型的主要优势是它们比其教师模型更小（推理速度更快，内存需求更低）。 缺点是它们会损失一些更大教师模型的性能。

为了获得最高的推理速度，我推荐使用这个6层模型。如需更高性能，我推荐使用 mDeBERTa-v3-base-mnli-xnli（截至2023年2月14日）。

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/multilingual-MiniLMv2-L6-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/multilingual-MiniLMv2-L6-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 训练数据集上进行了训练。XNLI 开发集包含2490个从英语专业翻译成其他14种语言的文本（共37350个文本）（参见此论文）。请注意，XNLI 包含15种语言的 MNLI 数据集的15个机器翻译版本的训练集，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（392702个文本）上进行训练。不使用机器翻译文本可以避免模型对这15种语言过拟合；避免灾难性遗忘其预训练的其他语言；并显著降低训练成本。

训练过程

该模型使用 Hugging Face trainer 进行训练，超参数如下。确切的基础模型是 mMiniLMv2-L6-H384-distilled-from-XLMR-Large。

training_args = TrainingArguments(
    num_train_epochs=3,              # 训练总轮数
    learning_rate=4e-05,
    per_device_train_batch_size=64,   # 训练时每个设备的批大小
    per_device_eval_batch_size=120,    # 评估时的批大小
    warmup_ratio=0.06,                # 学习率调度器的预热步数比例
    weight_decay=0.01,               # 权重衰减强度
)

评估结果

该模型在15种语言的 XNLI 测试集上进行了评估（每种语言5010个文本，共75150个）。请注意，多语言 NLI 模型能够在没有接收特定语言 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对其训练过的其他语言进行 NLI，但性能很可能低于 XNLI 中可用的那些语言。

论文中报告的 multilingual-MiniLM-L6 的平均 XNLI 性能为0.68（见表11）。此复现版本的平均性能为0.713。性能的提升可能归功于在训练数据中添加了 MNLI，且该模型是从 XLM-RoBERTa-large 而非 -base 蒸馏而来。

局限性与偏见

请参阅原始论文和不同 NLI 数据集的相关文献以了解潜在偏见。

引用

如果您使用此模型，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