零样本分类

零样本文本分类非常有用，可以尝试零代码分类，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！您将在其中找到示例和相关材料。

使用 API

语言

提供商

设置

import requests

API_URL = "https://router.huggingface.co/hf-inference/models/facebook/bart-large-mnli"
headers = {"Authorization": "Bearer hf_xxxxxxxxxxxxxxxxxxxxxxxx"}

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

有效负载
inputs*	字符串	要分类的文本
parameters*	对象
candidate_labels*	字符串数组	用于将文本分类到其中的可能类别标签集。
hypothesis_template	字符串	与 `candidate_labels` 结合使用的句子，通过将占位符替换为候选标签来尝试文本分类。
multi_label	布尔值	是否可以有多个候选标签为真。如果为 false，则对分数进行归一化，以使每个序列的标签可能性之和为 1。如果为 true，则认为标签是独立的，并且概率针对每个候选标签进行归一化。

一些选项可以通过将标头传递给 Inference API 来配置。以下是可用的标头

标头
authorization	字符串	形式为 `'Bearer: hf_**'` 的身份验证标头，其中 `hf_**` 是具有 Inference 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，用于加速我们已经看到的请求。大多数模型都可以使用这些结果，因为它们是确定性的（意味着无论如何输出都将相同）。但是，如果您使用非确定性模型，则可以设置此参数以防止使用缓存机制，从而产生真正的全新查询。阅读有关缓存的更多信息此处。
x-wait-for-model	布尔值，默认为 `false`	如果模型尚未准备好，请等待它而不是接收 503。它限制了完成推理所需的请求数量。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中的挂起限制在已知位置。阅读有关模型可用性的更多信息此处。

有关 Inference API 标头的更多信息，请查看指南中的参数。

响应

正文
（数组）	对象数组	输出是对象数组。
label	字符串	预测的类别标签。
score	数字	相应的概率。

< > 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