DeBERTa-v3-base-mnli-fever-anli

模型描述

该模型在MultiNLI数据集上进行了训练，该数据集包含392,702个NLI假设-前提对。基础模型有 DeBERTa-v3-base from Microsoft 个参数。DeBERTa的v3变种通过包含不同的预训练目标显著优于先前的模型版本，请参见原始 DeBERTa paper 的附录11。如果需要更强大的模型，请查看 DeBERTa-v3-base-mnli-fever-anli ，该模型在更多数据上进行了训练。

使用方法和限制

from transformers import AutoTokenizer, AutoModelForSequenceClassification
import torch
model_name = "MoritzLaurer/DeBERTa-v3-base-mnli"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForSequenceClassification.from_pretrained(model_name)
premise = "I first thought that I liked the movie, but upon second thought it was actually disappointing."
hypothesis = "The movie was good."
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

该模型使用MultiNLI数据集进行了训练，该数据集包含392,702个NLI假设-前提对。

训练过程

DeBERTa-v3-base-mnli使用Hugging Face训练器以以下超参数进行训练。

training_args = TrainingArguments(
    num_train_epochs=5,              # total number of training epochs
    learning_rate=2e-05,
    per_device_train_batch_size=32,   # batch size per device during training
    per_device_eval_batch_size=32,    # batch size for evaluation
    warmup_ratio=0.1,                # number of warmup steps for learning rate scheduler
    weight_decay=0.06,               # strength of weight decay
    fp16=True                        # mixed precision training
)

评估结果

该模型使用匹配的测试集进行评估，并达到0.90的准确率。

限制和偏差

请参考原始的DeBERTa论文和关于不同NLI数据集的文献，以了解潜在的偏差。

BibTeX条目和引用信息

如果您想引用此模型，请引用原始的DeBERTa论文、相应的NLI数据集，并包含指向Hugging Face hub上该模型的链接。

合作或问题的想法？

如果您有问题或合作的想法，请通过m{点}laurer{at}vu{点}nl或 LinkedIn 与我联系。

调试和问题

请注意，DeBERTa-v3最近发布，较旧版本的HF Transformers似乎无法运行该模型（例如，与分词器相关的问题）。使用Transformers==4.13可能会解决一些问题。

模型回收利用

使用MoritzLaurer/DeBERTa-v3-base-mnli作为基础模型的 Evaluation on 36 datasets 模型与microsoft/deberta-v3-base相比，平均得分为80.01，而microsoft/deberta-v3-base为79.04。

截至2023年9月1日，该模型在microsoft/deberta-v3-base架构的所有测试模型中排名第一。

结果：

有关更多信息，请参见 Model Recycling 。