- 综合排序
- 最热优先
- 最新优先
- 来自专栏人工智能极简应用
【人工智能】Transformers之Pipeline（十四）：问答（question-answering）
共计覆盖32万个模型 今天介绍NLP自然语言处理的第二篇：问答（question-answering），在huggingface库内有1.2万个问答（question-answering）模型，最典型的是在 二、问答（question-answering） 2.1 概述 问答模型可以从给定的文本中检索问题的答案，这对于在文档中搜索答案非常有用。一些问答模型可以在没有上下文的情况下生成答案！ = "2" from transformers import pipeline qa = pipeline(model="deepset/roberta-base-squad2", task="question-answering 三、总结 本文对transformers之pipeline的问答（question-answering）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中的问答（question-answering）模型。
60310编辑于 2024-09-03 - 来自专栏JadePeng的技术博客
Transformers Optimum 使用
= ORTModelForQuestionAnswering.from_pretrained("optimum/roberta-base-squad2") onnx_qa = pipeline("question-answering AutoTokenizer.from_pretrained(model_id) model = AutoModelForQuestionAnswering.from_pretrained(model_id) pipeline_qa = pipeline('question-answering provider="CUDAExecutionProvider") ort_model_qa = ortpipeline( "question-answering ORTModelForQuestionAnswering.from_pretrained( save_dir, file_name="model-optimized.onnx") opt_onnx_qa = ortpipeline("question-answering
1.4K41编辑于 2022-12-09 - 来自专栏NLP/KG
Gradio入门到进阶全网最详细教程[二]：快速搭建AI算法可视化部署演示(侧重参数详解和案例实践)
transformers相关包from transformers import *#通过Interface加载pipeline并启动服务gr.Interface.from_pipeline(pipeline("question-answering spm=1001.2014.3001.5482)"gr.Interface.from_pipeline( pipeline("question-answering", model="uer/roberta-base-chinese-extractive-qa qa = pipeline("question-answering", model="uer/roberta-base-chinese-extractive-qa")def custom_predict spm=1001.2014.3001.5482)"qa = pipeline("question-answering", model="uer/roberta-base-chinese-extractive-qa article = "感兴趣的小伙伴可以阅读[Transformers实用指南](https://zhuanlan.zhihu.com/p/548336726)"#预测函数qa = pipeline("question-answering
1.9K30编辑于 2023-04-26 - 来自专栏NLP/KG
Gradio入门到进阶全网最详细教程[二]：快速搭建AI算法可视化部署演示(侧重参数详解和案例实践)
transformers相关包 from transformers import * #通过Interface加载pipeline并启动服务 gr.Interface.from_pipeline(pipeline("question-answering spm=1001.2014.3001.5482)" gr.Interface.from_pipeline( pipeline("question-answering", model="uer/ qa = pipeline("question-answering", model="uer/roberta-base-chinese-extractive-qa") def custom_predict spm=1001.2014.3001.5482)" qa = pipeline("question-answering", model="uer/roberta-base-chinese-extractive-qa article = "感兴趣的小伙伴可以阅读[Transformers实用指南](https://zhuanlan.zhihu.com/p/548336726)" #预测函数 qa = pipeline("question-answering
2.6K52编辑于 2023-05-01 - 来自专栏超级架构师
IBM Research: WatsonPaths
Explore the WatsonPaths interface Scenario analysis For WatsonPaths, in the background we use Watson's question-answering Using Watson’s question-answering abilities, WatsonPaths can examine the scenario from many angles, working
1.8K70发布于 2018-04-09 - 来自专栏企鹅号快讯
Job Prospects of AI
security of password verification Intelligent customer service智能客服 To build the financial sector dedicated question-answering
92930发布于 2018-03-01 - 来自专栏DeepHub IMBA
用PyTorch和预训练的Transformers 创建问答系统
为了构建问答管道，我们使用如下代码: question_answering = pipeline(“question-answering”) 这将在后台创建一个预先训练的问题回答模型以及它的标记器。 现在，根据模型文档，我们可以通过指定模型和标记器参数来直接在管道中构建模型，如下所示： question_answering = pipeline("question-answering", model
1.7K12发布于 2021-02-12 - 来自专栏人工智能头条
Yann LeCun：157页PPT揭示深度学习的局限性
Many tasks in natural language understanding, such as question-answering, require a way to temporarily
41560发布于 2018-06-05 - 来自专栏我还不懂对话
NER的过去、现在和未来综述-未来
Using BARTImproving Language Models by Retrieving from Trillions of TokensWebGPT: Browser-assisted question-answering
2.1K41编辑于 2022-10-08 - 来自专栏算法工程师的养成之路
自然语言处理(一)NLP概述
(Information Retrieval) 信息抽取(Information Extraction) 自动文摘(Automatic summarization/abstracting) 问答系统(Question-Answering
1.3K10发布于 2019-01-11 - 来自专栏AI算法与图像处理
CVPR2022论文速递（2022.5.31）！共9篇！
Code: None From Representation to Reasoning: Towards both Evidence and Commonsense Reasoning for Video Question-Answering
58230编辑于 2022-09-02 - 来自专栏HyperAI超神经
用 BERT 精简版 DistilBERT+TF.js，提升问答系统 2 倍性能
memory used by the result tensor since we don’t need it anymore NPM 问答包 https://www.npmjs.com/package/question-answering 用于推理的 TensorFlow.js 以及用于词条化的分词器，我们可以在 NPM 包中提供颇为简单而又功能强大的公共 API，从而实现当初的既定目标： import { QAClient } from "question-answering "; // If using Typescript or Babel // const { QAClient } = require("question-answering"); // If using
1.5K30发布于 2020-08-27 - 来自专栏人工智能极简应用
【人工智能】Transformers之Pipeline（概述）：30w+大模型极简应用
"question-answering"：将返回一个QuestionAnsweringPipeline。 "summarization"：将返回一个SummarizationPipeline。 bert-large-cased-finetuned-conll03-english", "f2482bf"), }, }, "type": "text", }, "question-answering
1.5K10编辑于 2024-08-13 - 来自专栏大鹅专栏：大数据到机器学习
NLP任务汇总简介与理解
image.png （6）问答系统（Question-Answering Systerm） 针对用户提出的问题，系统给出相应的答案。 Machine Translation）：通过计算机自动化的把一种语言翻译成另外一种语言 文本摘要（Text summarization/Simplication）：对较长文本进行内容梗概的提取 问答系统（Question-Answering
4.7K63发布于 2021-10-06 - 来自专栏云社区活动
解构语义分析：核心算法揭秘与实战
from transformers import pipelineqa_model = pipeline("question-answering", model="distilbert-base-cased-distilled-squad
53010编辑于 2025-03-21 - 来自专栏机器之心
学界 | 详解微软意识网络架构：具有可解释性的新型类脑AI系统
微软研究院最新的一篇论文《Deep Learning of Grammatically-Interpretable Representations Through Question-Answering》 论文：Deep Learning of Grammatically-Interpretable Representations Through Question-Answering 论文链接：http:
1.4K60发布于 2018-05-08 - 来自专栏NewBeeNLP
大模型的涌现能力 (Emergent Abilities of LLM)
比如在closed-book question-answering可能需要模型有更多的参数去记忆尝试知识。 衡量emergent abilities的evaluation metrics也值得探究。
1.4K31编辑于 2023-08-29 - 来自专栏机器学习实践二三事
NLP常用数据集
For more, see the post: Datasets: How can I get corpus of a question-answering website like Quora or
1.3K101发布于 2018-01-02 黑马博学谷 AI大模型训练营一期
Flask, request, jsonifyfrom transformers import pipelineapp = Flask(__name__)qa_pipeline = pipeline('question-answering
69810编辑于 2024-07-20- 来自专栏AI+运维：智能化运维的未来
运维老司机的福音——深度学习如何革新运维知识管理？
看看下面的代码示例：from transformers import pipeline# 载入预训练的问答模型qa_pipeline = pipeline("question-answering", model
28710编辑于 2025-05-27
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号