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。

使用API

语言

提供商

设置

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

推理服务提供商

零样本分类

推荐模型

使用API

API规范

请求

响应