bart-large-mnli

这是 bart-large 在 MultiNLI (MNLI) 数据集上训练后的检查点。

关于此模型的更多信息：

• bart-large 模型页面
• BART: Denoising Sequence-to-Sequence Pre-training for Natural Language Generation, Translation, and Comprehension
• BART fairseq 实现

基于NLI的零样本文本分类

Yin等人 提出了一种使用预训练NLI模型作为现成零样本序列分类器的方法。该方法的工作原理是将待分类的序列作为NLI的前提（premise），并为每个候选标签构建一个假设。例如，如果我们想评估一个序列是否属于"政治"类别，我们可以构建一个假设：This text is about politics.（这段文本是关于政治的）。然后将蕴含和矛盾的概率转换为标签概率。

这种方法在许多情况下出奇地有效，特别是与BART和Roberta等较大的预训练模型一起使用时。请参阅 这篇博客文章 了解此方法和其他零样本方法的更详细介绍，并参阅下面的代码示例，了解如何使用Hugging Face内置pipeline和原生Transformers/PyTorch代码进行零样本分类。

使用零样本分类pipeline

可以通过 zero-shot-classification pipeline 加载该模型，如下所示：

from transformers import pipeline
classifier = pipeline("zero-shot-classification",
                      model="facebook/bart-large-mnli")

然后，您可以使用此pipeline将序列分类为您指定的任何类别名称。

sequence_to_classify = "one day I will see the world"
candidate_labels = ['travel', 'cooking', 'dancing']
classifier(sequence_to_classify, candidate_labels)
#{'labels': ['travel', 'dancing', 'cooking'],
# 'scores': [0.9938651323318481, 0.0032737774308770895, 0.002861034357920289],
# 'sequence': 'one day I will see the world'}

如果多个候选标签可能同时正确，请传递 multi_label=True 以独立计算每个类别：

candidate_labels = ['travel', 'cooking', 'dancing', 'exploration']
classifier(sequence_to_classify, candidate_labels, multi_label=True)
#{'labels': ['travel', 'exploration', 'dancing', 'cooking'],
# 'scores': [0.9945111274719238,
#  0.9383890628814697,
#  0.0057061901316046715,
#  0.0018193122232332826],
# 'sequence': 'one day I will see the world'}

使用原生PyTorch

# 将序列作为NLI的前提，标签作为假设
from transformers import AutoModelForSequenceClassification, AutoTokenizer
nli_model = AutoModelForSequenceClassification.from_pretrained('facebook/bart-large-mnli')
tokenizer = AutoTokenizer.from_pretrained('facebook/bart-large-mnli')

premise = sequence
hypothesis = f'This example is {label}.'

# 通过在MNLI上预训练的模型运行
x = tokenizer.encode(premise, hypothesis, return_tensors='pt',
                     truncation_strategy='only_first')
logits = nli_model(x.to(device))[0]

# 我们舍弃"neutral"（中性，维度1），取"entailment"（蕴含，维度2）的概率
# 作为标签为真的概率
entail_contradiction_logits = logits[:,[0,2]]
probs = entail_contradiction_logits.softmax(dim=1)
prob_label_is_true = probs[:,1]

注意：为ONNX权重设置单独的仓库是一个临时解决方案，直到WebML获得更多关注。如果您想让您的模型支持Web，我们建议使用 🤗 Optimum 转换为ONNX，并按照此仓库的结构组织（将ONNX权重放在名为 onnx 的子文件夹中）。