推理提供商文档
零样本分类
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
- facebook/bart-large-mnli:强大的零样本文本分类模型。
在此处探索所有可用模型并找到最适合您的模型。
使用API
语言
提供商
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。 |