PremalMatalia/albert-base-best-squad2

PremalMatalia
Pregunta y respuesta

ALBERT-base for QA es un modelo de lenguaje preentrenado con ALBERT para tareas de preguntas y respuestas extractivas (QA). Utiliza los datos de entrenamiento y evaluación de SQuAD 2.0.

Como usar

from transformers import AutoModelForQuestionAnswering, AutoTokenizer, pipeline

model_name = "PremalMatalia/albert-base-best-squad2"

# a) Obtener predicciones
nlp = pipeline('question-answering', model=model_name, tokenizer=model_name)
QA_input = {
  'question': '¿Qué otro nombre se utiliza para describir la selva amazónica en inglés?',
  'context': 'La selva amazónica (portugués: Floresta Amazônica o Amazônia; español: Selva Amazónica, Amazonía o usualmente Amazonia; francés: Forêt amazonienne; holandés: Amazoneregenwoud), también conocida en inglés como Amazonia o Amazon Jungle, es un bosque húmedo de hoja ancha que cubre la mayor parte de la cuenca del Amazonas en América del Sur. Esta cuenca abarca 7,000,000 kilómetros cuadrados (2,700,000 mi²), de los cuales 5,500,000 kilómetros cuadrados (2,100,000 mi²) están cubiertos por la selva. Esta región incluye territorio perteneciente a nueve naciones. La mayor parte del bosque se encuentra dentro de Brasil, con 60% de la selva, seguida por Perú con 13%, Colombia con 10%, y con cantidades menores en Venezuela, Ecuador, Bolivia, Guyana, Surinam y la Guayana Francesa. Estados o departamentos en cuatro naciones contienen "Amazonas" en sus nombres. El Amazonas representa más de la mitad de los bosques tropicales húmedos restantes del planeta y comprende la extensión más grande y biodiversa del mundo de selva tropical, con un estimado de 390 mil millones de árboles individuales divididos en 16,000 especies.'
}
res = nlp(QA_input)
print(res)

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

Funcionalidades

Modelo de lenguaje: albert-base
Tarea downstream: Preguntas y Respuestas Extractivas
Datos de entrenamiento: SQuAD 2.0
Datos de evaluación: SQuAD 2.0

Casos de uso

Respondiendo preguntas basadas en un contexto dado