几个zero-shot-classification 中文模型的比较

中文零样本分类模型测试与分析
最新推荐文章于 2025-01-21 11:25:01 发布
原创 最新推荐文章于 2025-01-21 11:25:01 发布 · 1.1k 阅读 · 7 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#人工智能 #阿里云 #语音识别

 zero-shot-classification里面有好几个中文模型，怎么知道哪个模型最好，下面是我对于最简单的问题进行的测试

1、facebook/bart-large-mnli

  • 模型特点：facebook/bart-large-mnli 是一个多任务学习模型，基于 BART 结构，并在多语言推理任务上进行了训练（包括中文）。它支持零样本分类任务，能够根据给定的文本和标签，预测哪个标签最符合文本内容。
  • 适用场景：适用于意图识别、文本分类等任务，尤其是在标签集合较大的情况下。
  • 运行结果如下
  • 模型有1.6G，结果0.33XX 

2、uer/roberta-base-chinese-extractive-qa

  • 模型特点：uer/roberta-base-chinese-extractive-qa 是 RoBERTa 的中文版本，适用于文本理解任务，包括提取式问答和分类。虽然它专注于问答任务，但也可以通过零样本分类方法用于意图识别。
  • 适用场景：适用于基于 RoBERTa 的中文意图识别、问答系统等。 
    classifier = pipeline("zero-shot-classification", model="uer/roberta-base-chinese-extractive-qa")
text = "嗯"
labels = ["同意", "不同意", "不知道"]
result
最低0.47元/天 解锁文章
开源模型应用落地-qwen模型小试-Zero/One/Few Shot-进阶篇（九）
以微薄之力，予他人些许温暖.
03-20 2258
理解何为Zero-Shot/One-Shot/Few-Shot，以及如何正确使用
zero shot classification提取主题词
weixin_48262500的博客
08-17 1248
基于 NLI 的零镜头文本分类。zero shot classification提出了一种使用预训练的 NLI 模型作为现成的零样本序列分类器的方法。该方法的工作原理是将要分类的序列设置为 NLI 前提，并从每个候选标签构建一个假设。例如，如果我们想评估一个序列是否属于“政治”类，我们可以构建一个“本文是关于政治”的假设。然后将蕴涵和矛盾的概率转换为标签概率。...
使用模型 facebook/bart-large-cnn对英文内容进行总结
我的博客
02-09 614
使用模型 facebook/bart-large-cnn对英文内容进行总结
中文Transformer（BERT，GPT，T5等）预训练模型权重
P01son的博客
04-06 6845
中文Transformer预训练模型权重 最近业余时间把我们去年和今年之前训练的基于开源语料的预训练权重适配到了Huggingface model hub中。用户可以通过Huggingface Transformers项目代码或者Huggingface网站上提供的在线推理接口轻易的使用这些权重。 这些权重有如下特点： 可复现；我们在huggingface上开源的所有权重，均是使用公开的语料进行训练的，并且我们在huggingface模型权重的readme中给出了详细的训练过程的说明，用户如果有足够的算力可
IDEA封神榜大语言模型二郎神系列Erlangshen-Ubert-110M-Chinese使用
Yonggie的博客
05-01 1149
官方文档和代码中的setup有错误，我已经提了PR，如果官方不merge请大家使用我这个版本：文档，https://github.com/Yonggie/Fengshenbang-doc；代码：https://github.com/Yonggie/Fengshenbang-LM。
ECCV 2018 Selective Zero-Shot Classification with Augmented Attributes
fuyouzhiyi的博客
07-06 516
亮点：零样本在选择性分类场景下的应用。 前两天，看了李宏毅老师的机器学习2019的视频，里面提到了异常检测。深度学习将各种任务的精度提升到了一个高度。但是，想要在实际中应用，会遇到各种问题，比如攻击。给定一个样本，模型能够判定这个样本是个异常样本，而不是随便给定一个标签？ 问题： 论文引入了一个选择性零样本分类问题：如何让分类器避免不确定的预测？现有方法在选择性分类场景下性能很差。 分...
模型能力赋能搜索——零样本分类（Zero-Shot Classification）在搜索意图识别上的探索
Angus
12-09 1626
从测试用例来看，Zero-Shot Classification分类效果还是很不错的。可以使用该模型，进行问题意图识别的。因为搜索框，对话框，被传进来的内容类型是未知的。但是不同类型的问题，去到不同的分支上，Zero-Sh效果一定是最好的。就像上边的测试案例。通过模型，可以推测出来，输入框的内容到底是什么意图，是总结任务？还是摘要任务？还是问答任务？ 在模型中，我们只需要去定义已知的和能够处理的分支即可。轻松利用模型的能力，来做意图识别。当然这是一个初步的探索。想要获得更好的效果，还会要进行模型调优的。
Zero-shot, One-shot和Few-shot的理解
最新发布
qq_25438419的博客
01-21 1007
meta就是描述数据的数据。比如照片，我们看到的是它呈现出来的数据， 即Data，但它还含有许多描述它拍摄参数的数据，比如光圈、快门速度、相机品牌等，即Meta。机器学习模型一般要求训练集样本量足够大，才能取得不错的预测效果。但对于人来说却不需要，对于一个从没有见过小猫和小狗的小朋友来说，给他几张照片他就能轻松的学会如何分辨两只动物。如果一个人已经掌握了如何骑自行车，那么学习如何骑摩托车对他来说会非常轻松。我们能否设计一个模型，让模型仅从一点点训练样本就能学会新的“知识”呢？即让模型“自己学会去学习”
零样本分割系列论文（1）Zero-Shot Instance Segmentation (2021 CVPR)
qq_37297763的博客
12-03 4112
1. 出处 2021 CVPR 2. Motivation 深度学习在有大量标注数据的实例分割任务中取得了很好的效果。但在医学领域，工业界很难获取到大量的数据，而且标注工作需要具备专业技能的人去做。这就导致这些任务中，未见过的类别，没有有标注的数据。 另外，对于open-set实例分割任务，不可能标注所有类别，很多未标注的unseen classes也需要被分割出来。 因此，缺乏有标注数据，深度学习方法无法完成这样的分割任务。 Zero-shot segmentation面临2个主要挑战： 如何对uns
Zero-shot Learning 综述4
xiaohuilang6的博客
04-29 1081
6. 直推式学习（Transductive Zero-shot Learning） 所谓直推式学习，即在ZSL中，训练模型的时候，我们可以拿到测试集的数据，只是不能拿到测试集的样本的标签，因此我们可以利用测试集数据，得到一些测试集类别的先验知识。（上文中的DMaP也是直推式学习） 典型文章：Semi-supervised Vocabulary-informed Learning (SSVoc)-2016 CVPR 当前的ZSL有以下几个缺陷： ZSL 假设目标类不能分为源类（二者交集为空），反之亦然
Latent Embeddings for Zero-shot Classification
cv_family_z的博客
07-29 2914
CVPR2016Latent Embeddings for Zero-shot Classification本文还是针对 zero-shot classification 问题。以前基于 structured embedding frameworks 解决这个问题的思路主要如下：首先将 图像和 类别信息映射到某些多维向量空间。 一般图像的嵌入信息（ Image embeddings ）通过 CNN
Benchmarking Zero-shot Text Classification:Datasets, Evaluation and Entailment Approach——零样本文本分类基准测试
Together_CZ的博客
01-15 1198
Benchmarking Zero-shot Text Classification:Datasets, Evaluation and Entailment Approach——零样本文本分类基准测试
huggingface pipeline零训练样本分类Zero-Shot Classification的实现
我的博客
02-12 779
huggingface pipeline零训练样本分类的实现 Zero-Shot Classification
零样本图像分类器（Zeroshot）
weixin_43156294的博客
11-02 2099
ZeroShot Image Classifier（Zeroshot）是一款面向开发人员的开源工具，可从文本描述中创建图像分类器。它结合了大型图像数据集（LAION5B）和文本搜索模型（CLIP）以及一个预训练模型（DinoV2）来实现图像分类。使用文本的力量创建分类器，具有低延迟、快速高效的实时图像分类能力，并且可以离线访问，方便随时随地进行部署。适用于需要根据文本描述进行图像分类的场景，例如根据用户输入的文本描述对图片进行自动分类、筛选等。
【人工智能】Transformers之Pipeline（十一）：零样本图片分类（zero-shot-image-classification）
人工智能领域博客
08-20 3438
本文对transformers之pipeline的零样本图片分类（zero-shot-image-classification）从概述、技术原理、pipeline参数、pipeline实战、模型排名等方面进行介绍，读者可以基于pipeline使用文中的2行代码极简的使用计算机视觉中的零样本图片分类（zero-shot-image-classification）模型。
ACL20 - Zero-shot Text Classification via Reinforced Self-training
ywm_up
12-28 1409
文章目录摘要介绍自训练方法强化学习模块实验数据方法结果总结 摘要 传统自训练（self-training）方法采用固定的探索式算法，在不同数据集上表现不一。 本文采用强化学习框架学习数据选择策略，提供更可靠的数据。 介绍 处理零样本文本分类通常有两个主要的方法，目前工作主要在第1点，忽略了第2点： 整合更多的外部知识，建立更多复杂的类型连接 整合无标签数据提升泛化能力 直接用传统的自训练方式可能会遇到一些问题： 传统自训练方式采用手工制定的探索式算法选择数据，调整选择策略开销很大 传统的自训练方法在跨
【零样本学习】Generating Visual Representations for Zero-Shot Classification
x124612的博客
09-23 974
Abstract 大多数现有方法依赖于学习共同的embedding空间，使得unseen class的视觉特征和语义描述进行比较。但是此方法存在局限：1）不能利用判别分类器；2）Generalized Zero-Shot Learning问题不能有效解决。所以，本文同时解决ZSL和GZSL，1）利用seen class学习条件生成器(conditional generator)；2)为unseen...
【人工智能】Transformers之Pipeline（二十二）：零样本文本分类（zero-shot-classification）
人工智能领域博客
11-06 6498
本文对transformers之pipeline的零样本文本分类（zero-shot-classification）从概述、技术原理、pipeline参数、pipeline实战、模型排名等方面进行介绍，读者可以基于pipeline使用文中的2行代码极简的使用NLP中的零样本文本分类（zero-shot-classification）模型。
【NLP练级之路 第二篇】Zero-Shot Text Classification with Self-Training
qq_43743819的博客
04-07 1561
self-training的zero-shot文本分类问题
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

livepy

老码农，赋闲在家要吃饭

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值