推理提供商文档

零样本分类

Hugging Face's logo
加入 Hugging Face 社区

并获得增强的文档体验

开始使用

零样本分类

零样本文本分类非常有用,无需任何代码即可尝试分类。您只需传递一个句子/段落以及该句子的可能标签,即可获得结果。模型不一定在您提供的标签上进行过训练,但它仍然可以预测正确的标签。

有关zero-shot-classification任务的更多详细信息,请查看其专用页面!您将找到示例和相关材料。

推荐模型

在此探索所有可用模型并找到最适合您的模型。

使用API

import os
import requests

API_URL = "https://router.huggingface.co/hf-inference/models/facebook/bart-large-mnli"
headers = {
    "Authorization": f"Bearer {os.environ['HF_TOKEN']}",
}

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"]},
})

API规范

请求

标头
授权 字符串 认证头,形式为`'Bearer: hf_****'`,其中`hf_****`是具有“推理提供商”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。
有效负载
输入* 字符串 要分类的文本
参数* 对象
        候选标签* 字符串数组 用于将文本分类的可能类别标签集。
        假设模板 字符串 与`candidate_labels`结合使用的句子,通过用候选标签替换占位符来尝试文本分类。
        多标签 布尔值 是否允许多个候选标签为真。如果为假,则分数被标准化,使得每个序列的标签似然之和为1。如果为真,则标签被视为独立,并且每个候选标签的概率都进行标准化。

响应

正文
(数组) 对象数组 输出是一个对象数组。
        标签 字符串 预测的类别标签。
        分数 数字 对应的概率。
< > 在 GitHub 上更新