零样本分类
零样本文本分类非常有用，它可以帮助您在没有代码的情况下进行分类，您只需传入一个句子或段落以及该句子的可能标签，即可获得结果。该模型可能没有在您提供的标签上进行过训练，但它仍然可以预测出正确的标签。
有关 zero-shot-classification 任务的更多详细信息，请查看其 专用页面！您将在其中找到示例和相关材料。
推荐的模型
- facebook/bart-large-mnli: 强大的零样本文本分类模型。
探索所有可用的模型，找到最适合您的模型 这里。
使用 API
Python
JavaScript
cURL
import requests
API_URL = "https://api-inference.huggingface.co/models/facebook/bart-large-mnli"
headers = {"Authorization": "Bearer hf_***"}
def query(payload):
response = requests.post(API_URL, headers=headers, json=payload)
return response.json()
output = query({
"inputs": "Hi, I recently bought a device from your company but it is not working as advertised and I would like to get reimbursed!",
"parameters": {"candidate_labels": ["refund", "legal", "faq"]},
})要使用 Python 客户端，请参阅 huggingface_hub 的 包参考。
API 规范
请求
| 有效载荷 | ||
|---|---|---|
| inputs* | 对象 | 输入文本数据，包含候选标签 |
| text* | 字符串 | 要分类的文本 |
| candidateLabels* | 字符串[] | 将文本分类到其中的可能类别标签集。 |
| 参数 | 对象 | 零样本分类的其他推理参数 |
| hypothesis_template | 字符串 | 与 candidateLabels 结合使用，用于尝试文本分类，方法是将占位符替换为候选标签。 |
| multi_label | 布尔值 | 是否可以有多个候选标签为真。如果为假，则对分数进行归一化，以便每个序列的标签似然之和为 1。如果为真，则将标签视为独立的，并对每个候选的概率进行归一化。 |
可以通过向推理 API 传递标头来配置某些选项。以下是可用的标头
| 标头 | ||
|---|---|---|
| 授权 | 字符串 | 身份验证标头，格式为 'Bearer: hf_****'，其中 hf_**** 是具有推理 API 权限的个人用户访问令牌。您可以从 您的设置页面 生成一个。 |
| x-use-cache | 布尔值，默认为 true | 推理 API 上有一个缓存层，可以加快我们已经看到的请求。大多数模型可以使用这些结果，因为它们是确定性的（这意味着无论如何输出将保持一致）。但是，如果您使用非确定性模型，则可以将此参数设置为阻止使用缓存机制，从而导致真正的全新查询。阅读有关缓存的更多信息 这里。 |
| x-wait-for-model | 布尔值，默认值为 false | 如果模型尚未准备好，请等待它，而不是接收 503 错误。这将限制完成推理所需的请求次数。建议仅在收到 503 错误后才将此标志设置为 true，因为它会将应用程序挂起限制在已知位置。有关模型可用性的更多信息，请点击这里。 |
有关推理 API 标头的更多信息，请查看参数指南。
响应
| 主体 | ||
|---|---|---|
| (数组) | object[] | 输出是一个对象数组。 |
| label | 字符串 | 预测的类别标签。 |
| score | 数字 | 相应的概率。 |