|
--- |
|
language: |
|
- fa |
|
- multilingual |
|
thumbnail: "https://upload.wikimedia.org/wikipedia/commons/a/a2/Farsi.svg" |
|
tags: |
|
- entailment |
|
- parsbert |
|
- persian |
|
- farsi |
|
license: "CC BY-NC-SA 4.0" |
|
datasets: |
|
- parsinlu |
|
- snli |
|
metrics: |
|
- accuracy |
|
--- |
|
|
|
# Textual Entailment (مدل برای پاسخ به استلزام منطقی) |
|
|
|
This is a model for textual entailment problems. |
|
Here is an example of how you can run this model: |
|
|
|
```python |
|
import torch |
|
from transformers import AutoModelForSequenceClassification, AutoTokenizer |
|
import numpy as np |
|
|
|
labels = ["entails", "contradicts", "neutral"] |
|
model_name_or_path = "persiannlp/mbert-base-parsinlu-snli-entailment" |
|
model = AutoModelForSequenceClassification.from_pretrained(model_name_or_path) |
|
tokenizer = AutoTokenizer.from_pretrained(model_name_or_path,) |
|
|
|
|
|
def model_predict(text_a, text_b): |
|
features = tokenizer( [(text_a, text_b)], padding="max_length", truncation=True, return_tensors='pt') |
|
output = model(**features) |
|
logits = output[0] |
|
probs = torch.nn.functional.softmax(logits, dim=1).tolist() |
|
idx = np.argmax(np.array(probs)) |
|
print(labels[idx], probs) |
|
|
|
|
|
model_predict( |
|
"این مسابقات بین آوریل و دسامبر در هیپودروم ولیفندی در نزدیکی باکرکی ، ۱۵ کیلومتری (۹ مایل) غرب استانبول برگزار می شود.", |
|
"در ولیفندی هیپودروم، مسابقاتی از آوریل تا دسامبر وجود دارد." |
|
) |
|
|
|
model_predict( |
|
"آیا کودکانی وجود دارند که نیاز به سرگرمی دارند؟", |
|
"هیچ کودکی هرگز نمی خواهد سرگرم شود.", |
|
) |
|
|
|
model_predict( |
|
"ما به سفرهایی رفته ایم که در نهرهایی شنا کرده ایم", |
|
"علاوه بر استحمام در نهرها ، ما به اسپا ها و سونا ها نیز رفته ایم." |
|
) |
|
``` |
|
|
|
|
|
For more details, visit this page: https://github.com/persiannlp/parsinlu/ |
|
|
