deberta v3 xsmall zeroshot v1.1 all 33

提供商MoritzLaurer
分类zero-shot-classification
许可证mit
下载量69.8K
星标0

简介

这是一个基于 DeBERTa v3 架构的轻量化零样本分类模型。它最大的特点是无需针对特定标签进行微调，即可直接对文本进行分类。对于开发者而言，它解决了传统分类模型需要大量标注数据和重新训练的痛点，非常适合用于快速搭建原型、处理冷启动场景下的文本打标签任务。虽然参数量极小（xsmall），但凭借 DeBERTa 的高效架构，在处理短文本分类时能保持不错的准确率，且推理速度极快，部署成本极低，是替代复杂大模型进行简单分类任务的理想方案。

核心亮点

  • 无需训练数据，支持自定义标签零样本分类
  • 轻量化架构，推理延迟低，适合端侧或低配部署
  • 快速验证分类方案，大幅降低数据标注成本
  • 适用于内容审核、意图识别等快速迭代场景

使用方法

安装依赖
# 安装 Hugging Face transformers
pip install transformers torch
SDK 使用
# 使用 transformers 加载模型
from transformers import AutoModel, AutoTokenizer

model = AutoModel.from_pretrained("MoritzLaurer/deberta-v3-xsmall-zeroshot-v1.1-all-33")
tokenizer = AutoTokenizer.from_pretrained("MoritzLaurer/deberta-v3-xsmall-zeroshot-v1.1-all-33")

Hugging Face 下载

我们推荐使用命令行或者 Hugging Face Hub SDK 来进行模型的下载。

操作指引：在下载前，请先通过如下命令安装 huggingface_hub：

操作指引 
pip install -U huggingface_hub

命令行下载

下载完整模型库

下载完整模型库 
huggingface-cli download MoritzLaurer/deberta-v3-xsmall-zeroshot-v1.1-all-33

下载单个文件到指定本地文件夹（以下载 config.json 到当前路径下 ./dir 目录为例）

下载单个文件到指定本地文件夹（以下载 config.json 到当前路径下 ./dir 目录为例） 
huggingface-cli download MoritzLaurer/deberta-v3-xsmall-zeroshot-v1.1-all-33 config.json --local-dir ./dir

更多命令行下载选项，可参见官方文档

SDK 下载

SDK 下载 
# 模型下载
from huggingface_hub import snapshot_download
model_dir = snapshot_download('MoritzLaurer/deberta-v3-xsmall-zeroshot-v1.1-all-33')

Git 下载

请确保 lfs 已经被正确安装

Git 下载 
git lfs install
git clone https://huggingface.co/MoritzLaurer/deberta-v3-xsmall-zeroshot-v1.1-all-33

如果您希望跳过 lfs 大文件下载，可以使用如下命令

跳过 LFS 
GIT_LFS_SKIP_SMUDGE=1 git clone https://huggingface.co/MoritzLaurer/deberta-v3-xsmall-zeroshot-v1.1-all-33

模型文件托管在 Hugging Face Hub，使用 HF CLI / SDK / Git 直接下载，不经过本站。

PyTorch / Transformers 使用

安装 Transformers

安装 Transformers 
pip install -U transformers torch

模型加载和推理

模型加载和推理 
from transformers import AutoModelForCausalLM, AutoTokenizer

model = AutoModelForCausalLM.from_pretrained('MoritzLaurer/deberta-v3-xsmall-zeroshot-v1.1-all-33')
tokenizer = AutoTokenizer.from_pretrained('MoritzLaurer/deberta-v3-xsmall-zeroshot-v1.1-all-33')

完整文档

来源: HuggingFace

---
base_model: microsoft/deberta-v3-xsmall
language:

  • en

tags:
  • text-classification

  • zero-shot-classification

pipeline_tag: zero-shot-classification
library_name: transformers
license: mit
---

deberta-v3-xsmall-zeroshot-v1.1-all-33

This model was fine-tuned using the same pipeline as described in
the model card for MoritzLaurer/deberta-v3-large-zeroshot-v1.1-all-33
and in this paper.

The foundation model is microsoft/deberta-v3-xsmall.
The model only has 22 million backbone parameters and 128 million vocabulary parameters.
The backbone parameters are the main parameters active during inference, providing a significant speedup over larger models.
The model is 142 MB small.

This model was trained to provide a small and highly efficient zeroshot option,
especially for edge devices or in-browser use-cases with transformers.js.

Usage and other details

For usage instructions and other details refer to this model card MoritzLaurer/deberta-v3-large-zeroshot-v1.1-all-33 and this paper.

Metrics:

I didn't not do zeroshot evaluation for this model to save time and compute.
The table below shows standard accuracy for all datasets the model was trained on (note that the NLI datasets are binary).

General takeaway: the model is much more efficient than its larger sisters, but it performs less well.

|Datasets|mnli_m|mnli_mm|fevernli|anli_r1|anli_r2|anli_r3|wanli|lingnli|wellformedquery|rottentomatoes|amazonpolarity|imdb|yelpreviews|hatexplain|massive|banking77|emotiondair|emocontext|empathetic|agnews|yahootopics|biasframes_sex|biasframes_offensive|biasframes_intent|financialphrasebank|appreviews|hateoffensive|trueteacher|spam|wikitoxic_toxicaggregated|wikitoxic_obscene|wikitoxic_identityhate|wikitoxic_threat|wikitoxic_insult|manifesto|capsotu|
| :---: | :---: | :---: | :---: | :---: | :---: | :---: | :---: | :---: | :---: | :---: | :---: | :---: | :---: | :---: | :---: | :---: | :---: | :---: | :---: | :---: | :---: | :---: | :---: | :---: | :---: | :---: | :---: | :---: | :---: | :---: | :---: | :---: | :---: | :---: | :---: | :---: |
|Accuracy|0.925|0.923|0.886|0.732|0.633|0.661|0.814|0.887|0.722|0.872|0.944|0.925|0.967|0.774|0.734|0.627|0.762|0.745|0.465|0.888|0.702|0.94|0.853|0.863|0.914|0.926|0.921|0.635|0.968|0.897|0.918|0.915|0.935|0.9|0.505|0.701|
|Inference text/sec (A10G, batch=128)|1573.0|1630.0|683.0|1282.0|1352.0|1072.0|2325.0|2008.0|4781.0|2743.0|677.0|228.0|238.0|2357.0|5027.0|4323.0|3247.0|3129.0|941.0|1643.0|335.0|1517.0|1452.0|1498.0|2367.0|974.0|2634.0|353.0|2284.0|260.0|252.0|256.0|254.0|259.0|1941.0|2080.0|

查看官方来源