BiomedNLP-PubMedBERT-base-uncased-abstract-fulltext-finetuned-mnli

Para usar el modelo localmente en tu máquina:

# import torch
# device = torch.device("cuda" si torch.cuda.is_available() sino "cpu")

from transformers import AutoTokenizer, AutoModelForSequenceClassification
  
tokenizer = AutoTokenizer.from_pretrained("lighteternal/BiomedNLP-PubMedBERT-base-uncased-abstract-fulltext-finetuned-mnli")
model = AutoModelForSequenceClassification.from_pretrained("lighteternal/BiomedNLP-PubMedBERT-base-uncased-abstract-fulltext-finetuned-mnli")

premise = 'EpCAM is overexpressed in breast cancer'
hypothesis = 'EpCAM is downregulated in breast cancer.'

# ejecutar a través del modelo pre-entrenado en MNLI
x = tokenizer.encode(premise, hypothesis, return_tensors='pt',
truncation_strategy='only_first')
logits = model(x)[0]

probs = logits.softmax(dim=1)
print('Probabilidades de implicación, neutral, contradicción \n', np.around(probs.cpu().
detach().numpy(),3))
# Probabilidades de implicación, neutral, contradicción
# 0.001 0.001 0.998

La evaluación en la precisión de clasificación (implicación, contradicción, neutral) en el conjunto de pruebas MNLI:

Métrica Valor

Precisión 0.8338

Revisar la pestaña de Métricas de Entrenamiento para información detallada.