nli-roberta-base

项目介绍：nli-roberta-base

nli-roberta-base项目是一个用于自然语言推理（Natural Language Inference, NLI）的模型。它采用了Cross-Encoder进行训练，适用于多种语言任务，尤为关注零样本分类（Zero-Shot Classification）。

模型背景

nli-roberta-base模型采用Roberta基础版（roberta-base）为基础，通过SentenceTransformers的Cross-Encoder类对其进行训练。Cross-Encoder是一种能够处理句子对的技术，可以对其进行分类以确定句子之间的逻辑关系。

训练数据

这个模型主要在两个大型数据集上进行了训练：

SNLI（Stanford Natural Language Inference）数据集：这是一个用于自然语言推理的广泛使用的数据集，包含句子对及其推理关系标签。
MultiNLI（Multi-Genre Natural Language Inference）数据集：该数据集跨越多种体裁，为模型提供了更广泛的文本情境。

对于每对输入的句子，模型将输出三个分数，分别表示“矛盾”（contradiction）、“蕴含”（entailment）和“中性”（neutral）这三种逻辑关系。

性能表现

模型的性能评估及其详细结果可以在SBERT.net的预训练Cross-Encoder页面中找到。通过这些指标可以了解模型在不同任务中的表现水平。

使用方法

使用预训练模型

用户可以通过以下代码快速应用预训练模型进行推理任务：

from sentence_transformers import CrossEncoder
model = CrossEncoder('cross-encoder/nli-roberta-base')
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.')])

#转换分数到标签
label_mapping = ['矛盾', '蕴含', '中性']
labels = [label_mapping[score_max] for score_max in scores.argmax(axis=1)]

使用Transformers库

模型也可以直接与Transformers库搭配使用，而不需要SentenceTransformers库：

from transformers import AutoTokenizer, AutoModelForSequenceClassification
import torch

model = AutoModelForSequenceClassification.from_pretrained('cross-encoder/nli-roberta-base')
tokenizer = AutoTokenizer.from_pretrained('cross-encoder/nli-roberta-base')

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 = ['矛盾', '蕴含', '中性']
    labels = [label_mapping[score_max] for score_max in scores.argmax(dim=1)]
    print(labels)

零样本分类

nli-roberta-base还具备零样本分类的能力，可以在未知领域中进行分类任务：

from transformers import pipeline

classifier = pipeline("zero-shot-classification", model='cross-encoder/nli-roberta-base')

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