QABERT-pequeño
QA-BERT es un modelo de respuesta a preguntas. Este modelo es una versión más ligera de cualquiera de los modelos de respuesta a preguntas existentes. BERT (Bidirectional Encoder Representations from Transformers) es un modelo preentrenado basado en transformadores para tareas de procesamiento de lenguaje natural, como la respuesta a preguntas. BERT se ajusta finamente para la respuesta a preguntas añadiendo una capa lineal sobre las representaciones preentrenadas de BERT para predecir el inicio y el final de la respuesta en el contexto de entrada. BERT ha logrado resultados de vanguardia en múltiples conjuntos de datos de referencia, incluyendo el Stanford Question Answering Dataset (SQuAD). El proceso de ajuste fino permite que BERT capture efectivamente las relaciones entre preguntas y respuestas y genere respuestas precisas.
Como usar
from transformers import AutoTokenizer, AutoModelForQuestionAnswering
QAtokenizer = AutoTokenizer.from_pretrained("SRDdev/QABERT-small")
QAmodel = AutoModelForQuestionAnswering.from_pretrained("SRDdev/QABERT-small")
context
Extractive Question Answering is the task of extracting an answer from a text given a question. An example of a
question-answering dataset is the SQuAD dataset, which is entirely based on that task. If you would like to fine-tune
a model on a SQuAD task, you may leverage the examples/pytorch/question-answering/run_squad.py script.
Build Pipeline
from transformers import pipeline
ask = pipeline("question-answering", model= QAmodel , tokenizer = QAtokenizer)
result = ask(question="¿Cuál es un buen ejemplo de un conjunto de datos de respuesta a preguntas?", context=context)
print(f"Respuesta: '{result['answer']}'")
Funcionalidades
- Modelo de respuesta a preguntas
- Versión más ligera de los modelos de respuesta a preguntas
- Basado en Transformadores
- Entrenado con el conjunto de datos SQuAD
- Ajuste fino de BERT para la respuesta a preguntas
Casos de uso
- Responder preguntas basadas en el texto dado
- Tareas de comprensión de lectura de máquinas
- Generar respuestas precisas a preguntas basadas en texto