目录
一、引言
二、零样本文本分类（zero-shot-classification）
2.1 概述
2.2 Facebook/bart-large-mnli
2.3 pipeline参数
2.3.1 pipeline对象实例化参数
2.3.2 pipeline对象使用参数
2.3.3 pipeline返回参数
2.4 pipeline实战
2.5 模型排名
三、总结
一、引言
pipeline（管道）是huggingface transformers库中一种极简方式使用大模型推理的抽象，将所有大模型分为音频（Audio）、计算机视觉（Computer vision）、自然语言处理（NLP）、多模态（Multimodal）等4大类，28小类任务（tasks）。共计覆盖32万个模型
今天介绍NLP自然语言处理的第十篇：零样本文本分类（zero-shot-classification），在huggingface库内有313个零样本文本分类（zero-shot-classification）模型。
二、零样本文本分类（zero-shot-classification）
2.1 概述
零样本文本分类是自然语言处理中的一项任务，其中模型在一组标记的示例上进行训练，但随后能够从以前看不见的类别中对新示例进行分类。
2.2 Facebook/bart-large-mnli
BART，一种用于预训练序列到序列模型的去噪自动编码器。BART 的训练方式是 (1) 使用任意噪声函数破坏文本，以及 (2) 学习模型以重建原始文本。它使用基于标准 Tranformer 的神经机器翻译架构，尽管它很简单，但可以看作是 BERT（由于双向编码器）、GPT（使用从左到右的解码器）和许多其他较新的预训练方案的泛化。
- GPT是一种Auto-Regressive(自回归)的语言模型。它也可以看作是Transformer model的Decoder部分，它的优化目标就是标准的语言模型目标：序列中所有token的联合概率。GPT采用的是自然序列中的从左到右（或者从右到左）的因式分解。
- BERT是一种Auto-Encoding(自编码)的语言模型。它也可以看作是Transformer model的Encoder部分，在输入端随机使用一种特殊的[MASK]token来替换序列中的token，这也可以看作是一种noise，所以BERT也叫Masked Language Model。
- BART吸收了BERT的bidirectional encoder和GPT的left-to-right decoder各自的特点，建立在标准的seq2seq Transformer model的基础之上，这使得它比BERT更适合文本生成的场景；相比GPT，也多了双向上下文语境信息。
2.3 pipeline参数
2.3.1 pipeline对象实例化参数
- model（PreTrainedModel或TFPreTrainedModel）— 管道将使用其进行预测的模型。 对于 PyTorch，这需要从PreTrainedModel继承；对于 TensorFlow，这需要从TFPreTrainedModel继承。
- tokenizer ( PreTrainedTokenizer ) — 管道将使用其对模型的数据进行编码的 tokenizer。此对象继承自 PreTrainedTokenizer。
- modelcard（
str或ModelCard，可选） — 属于此管道模型的模型卡。- framework（
str，可选）— 要使用的框架，"pt"适用于 PyTorch 或"tf"TensorFlow。必须安装指定的框架。- task（
str，默认为""）— 管道的任务标识符。- num_workers（
int，可选，默认为 8）— 当管道将使用DataLoader（传递数据集时，在 Pytorch 模型的 GPU 上）时，要使用的工作者数量。- batch_size（
int，可选，默认为 1）— 当管道将使用DataLoader（传递数据集时，在 Pytorch 模型的 GPU 上）时，要使用的批次的大小，对于推理来说，这并不总是有益的，请阅读使用管道进行批处理。- args_parser（ArgumentHandler，可选） - 引用负责解析提供的管道参数的对象。
- device（
int，可选，默认为 -1）— CPU/GPU 支持的设备序号。将其设置为 -1 将利用 CPU，设置为正数将在关联的 CUDA 设备 ID 上运行模型。您可以传递本机torch.device或str太- torch_dtype（
str或torch.dtype，可选） - 直接发送model_kwargs（只是一种更简单的快捷方式）以使用此模型的可用精度（torch.float16，，torch.bfloat16...或"auto"）- binary_output（
bool，可选，默认为False）——标志指示管道的输出是否应以序列化格式（即 pickle）或原始输出数据（例如文本）进行。
2.3.2 pipeline对象使用参数
- sequences（
str或List[str]）——如果模型输入太大，则要分类的序列将被截断。- candidates_labels（
str或List[str]）— 用于将每个序列归类的可能的类标签集。可以是单个标签、逗号分隔的标签字符串或标签列表。- hypothesis_template(
str，可选，默认为"This example is {}.") — 用于将每个标签转换为 NLI 样式假设的模板。此模板必须包含 {} 或类似语法，以便将候选标签插入到模板中。例如，默认模板是 ，"This example is {}."使用候选标签"sports"，它将像 一样输入到模型中"<cls> sequence to classify <sep> This example is sports . <sep>"。默认模板在许多情况下效果很好，但根据任务设置尝试使用不同的模板可能是值得的。- multi_label（
bool，可选，默认为False）— 多个候选标签是否可以为真。如果为False，则对分数进行归一化，使得每个序列的标签似然度之和为 1。如果为True，则将标签视为独立，并通过对蕴涵分数与矛盾分数进行 softmax 来对每个候选的概率进行归一化。
2.3.3 pipeline返回参数
- sequence(
str) — 这是输出的序列。- labels（
List[str]）——按可能性排序的标签。- scores（
List[float]）——每个标签的概率。
2.4 pipeline实战
基于pipeline的zero-shot-classification任务，采用bart-large-mnli进行零样本文本分类，代码如下：
import os
os.environ["HF_ENDPOINT"] = "https://hf-mirror.com"
os.environ["CUDA_VISIBLE_DEVICES"] = "2"from transformers import pipelineoracle = pipeline(model="facebook/bart-large-mnli")
output=oracle("I have a problem with my iphone that needs to be resolved asap!!",candidate_labels=["urgent", "not urgent", "phone", "tablet", "computer"],
)
print(output)
oracle("I have a problem with my iphone that needs to be resolved asap!!",candidate_labels=["english", "german"],
)
print(output)执行后，自动下载模型文件并进行识别：
2.5 模型排名
在huggingface上，我们将零样本分类（zero-shot-classification）模型按下载量从高到低排序，总计313个模型，文中facebook的bart排名第一。
三、总结
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。
期待您的3连+关注，如何还有时间，欢迎阅读我的其他文章：
《Transformers-Pipeline概述》
【人工智能】Transformers之Pipeline（概述）：30w+大模型极简应用
《Transformers-Pipeline 第一章：音频（Audio）篇》
【人工智能】Transformers之Pipeline（一）：音频分类（audio-classification）
【人工智能】Transformers之Pipeline（二）：自动语音识别（automatic-speech-recognition）
【人工智能】Transformers之Pipeline（三）：文本转音频（text-to-audio/text-to-speech）
【人工智能】Transformers之Pipeline（四）：零样本音频分类（zero-shot-audio-classification）
《Transformers-Pipeline 第二章：计算机视觉（CV）篇》
【人工智能】Transformers之Pipeline（五）：深度估计（depth-estimation）
【人工智能】Transformers之Pipeline（六）：图像分类（image-classification）
【人工智能】Transformers之Pipeline（七）：图像分割（image-segmentation）
【人工智能】Transformers之Pipeline（八）：图生图（image-to-image）
【人工智能】Transformers之Pipeline（九）：物体检测（object-detection）
【人工智能】Transformers之Pipeline（十）：视频分类（video-classification）
【人工智能】Transformers之Pipeline（十一）：零样本图片分类（zero-shot-image-classification）
【人工智能】Transformers之Pipeline（十二）：零样本物体检测（zero-shot-object-detection）
《Transformers-Pipeline 第三章：自然语言处理（NLP）篇》
【人工智能】Transformers之Pipeline（十三）：填充蒙版（fill-mask）
【人工智能】Transformers之Pipeline（十四）：问答（question-answering）
【人工智能】Transformers之Pipeline（十五）：总结（summarization）
【人工智能】Transformers之Pipeline（十六）：表格问答（table-question-answering）
【人工智能】Transformers之Pipeline（十七）：文本分类（text-classification）
【人工智能】Transformers之Pipeline（十八）：文本生成（text-generation）
【人工智能】Transformers之Pipeline（十九）：文生文（text2text-generation）
【人工智能】Transformers之Pipeline（二十）：令牌分类（token-classification）
【人工智能】Transformers之Pipeline（二十一）：翻译（translation）
【人工智能】Transformers之Pipeline（二十二）：零样本文本分类（zero-shot-classification）
《Transformers-Pipeline 第四章：多模态（Multimodal）篇》
【人工智能】Transformers之Pipeline（二十三）：文档问答（document-question-answering）
【人工智能】Transformers之Pipeline（二十四）：特征抽取（feature-extraction）
【人工智能】Transformers之Pipeline（二十五）：图片特征抽取（image-feature-extraction）
【人工智能】Transformers之Pipeline（二十六）：图片转文本（image-to-text）
【人工智能】Transformers之Pipeline（二十七）：掩码生成（mask-generation）
【人工智能】Transformers之Pipeline（二十八）：视觉问答（visual-question-answering）
