Create README.md

README.md

@@ -0,0 +1,61 @@
+---
+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/