deepset/xlm-roberta-base-squad2-distilled

deepset
Pregunta y respuesta

El modelo de lenguaje deepset/xlm-roberta-base-squad2-distilled se entrenó utilizando la función de destilación de Haystack. El modelo de maestro utilizado fue deepset/xlm-roberta-large-squad2. Este modelo es multilingüe y está diseñado para la tarea de Pregunta-Respuesta Extractiva.

Como usar

En Haystack

Haystack es un marco de trabajo NLP de deepset. Puedes usar este modelo en una canalización de Haystack para hacer respuesta a preguntas a gran escala (sobre muchos documentos). Para cargar el modelo en Haystack:

reader = FARMReader(model_name_or_path="deepset/xlm-roberta-base-squad2-distilled")
# o
reader = TransformersReader(model_name_or_path="deepset/xlm-roberta-base-squad2-distilled",tokenizer="deepset/xlm-roberta-base-squad2-distilled")

Para un ejemplo completo de deepset/xlm-roberta-base-squad2-distilled siendo utilizado para [respuesta a preguntas], revisa los Tutoriales en la Documentación de Haystack.

En Transformers

from transformers import AutoModelForQuestionAnswering, AutoTokenizer, pipeline

model_name = "deepset/xlm-roberta-base-squad2-distilled"

# a) Obtener predicciones
nlp = pipeline('question-answering', model=model_name, tokenizer=model_name)
QA_input = {
'question': '¿Por qué es importante la conversión de modelos?',
'context': 'La opción de convertir modelos entre FARM y transformers brinda libertad al usuario y permite a las personas cambiar fácilmente entre marcos de trabajo.'
}
res = nlp(QA_input)

# b) Cargar modelo y tokenizador
model = AutoModelForQuestionAnswering.from_pretrained(model_name)
tokenizer = AutoTokenizer.from_pretrained(model_name)

Funcionalidades

Tamaño del lote: 56
Número de épocas: 4
Longitud máxima de la secuencia: 384
Tasa de aprendizaje: 3e-5
Plan de aprendizaje: LinearWarmup
Probabilidad de abandono de incrustaciones: 0.1
Temperatura: 3
Peso de la pérdida de destilación: 0.75

Casos de uso

Respuesta a preguntas a gran escala sobre muchos documentos
Integración en aplicaciones de procesamiento del lenguaje natural