重磅推荐专栏： 《Transformers自然语言处理系列教程》
手把手带你深入实践Transformers，轻松构建属于自己的NLP智能应用！

1. 概要

使用预训练语言模型的小样本学习（处理只有少量标签或没有标签的数据）已成为比较普遍的解决方案。
SetFit：一种用于对 Sentence Transformers 进行少量微调的高效框架。SetFit 用很少的标记数据实现了高精度——例如，在客户评论 (CR) 情绪数据集上每个类只有 8 个标记样本，SetFit 在 3k 个样本的完整训练集上与微调 RoBERTa Large 相比，如图1-1所示，具有竞争力表现：

与其他小样本学习方法相比，SetFit 有几个独特的特点：

• 没有提示（prompts ）或语言器（verbalisers）：当前的小样本微调技术需要手工制作的提示（prompts ）或语言器（verbalisers）将样本转换为适合底层语言模型的格式。SetFit 通过直接从少量带标签的文本示例生成丰富的embeddings 来完全免除prompts 。

• 训练速度快：SetFit 不需要像 T0 或 GPT-3 这样的大型模型来实现高精度。因此，训练和运行推理的速度通常快一个数量级（或更多）。

• 多语言支持：SetFit 可以与 Hub 上的任何 Sentence Transformer 一起使用，这意味着你可以通过简单地微调多语言checkpoint来对多种语言的文本进行分类。

• 论文： https://arxiv.org/pdf/2209.11055.pdf

• 代码：https://github.com/huggingface/setfit

2. 原理

SetFit原理比较简单，它设计考虑了效率和简单性。SetFit 首先在少量标记示例（通常每个类 8 或 16 个）上微调 Sentence Transformer 模型。接下来是在微调的 Sentence Transformer 生成的embeddings上训练分类器头。SetFit 利用 Sentence Transformers 的能力基于成对的句子生成密集embeddings 。如图2-1所示：

• 在初始微调阶段，它通过对比训练利用有限的标记输入数据，其中正负对由类内和类外选择创建，如图2-2所示。然后，Sentence Transformer 模型对这些对（或三元组）进行训练，并为每个样本生成密集向量。
• 在第二步中，分类头使用各自的类标签对编码embeddings进行训练。在推理时，未见过的样本通过微调的 Sentence Transformer，生成一个embedding ，当将其送到分类头时，输出一个类标签预测结果。

只需将基本的 Sentence Transformer 模型切换为多语言模型，SetFit 就可以在多语言环境中无缝运行。

3. 实验

3.1 效果表现

虽然基于比现有的少样本方法小得多的模型，但 SetFit 在各种基准测试中的表现与sota的少样本方法相当或更好。如图3-1所示，在RAFT(一个 few-shot 分类基准)上，具有 3.55 亿个参数的 SetFit Roberta 优于 PET 和 GPT-3。它仅仅在人类平均表现和 110 亿个参数 T-few（这个模型的大小是 SetFit Roberta 的 30 倍） 水平之下。SetFit 在 11 项 RAFT 任务中的 7 项上也优于人类基线。

在其他数据集上，SetFit 在各种任务中表现出稳健性。如下图3-2所示，每个类只有 8 个示例，它基本上优于 PERFECT、ADAPET 和微调的 vanilla transformer。SetFit 也取得了与 T-Few 3B 相当的结果，尽管它无需提示且体积小 27 倍。

3.2 训练和推理速度

由于 SetFit 使用相对较小的模型实现了高精度，因此它的训练速度非常快，而且成本要低得多。例如，使用 8 个标记示例在 NVIDIA V100 上训练 SetFit 仅需 30 秒，成本为 0.025 美元。相比之下，训练 T-Few 3B 需要 NVIDIA A100，耗时 11 分钟，同一实验的成本约为 0.7 美元——高出 28 倍。事实上，SetFit 可以像 Google Colab 上的那样在单个 GPU 上运行，你甚至可以在几分钟内在 CPU 上训练 SetFit！如图3-3所示，SetFit带来了提速，模型性能却与T-Few 3B相当。预测和蒸馏 SetFit 模型也可以获得类似的收益，可以带来 123 倍的加速！

4. 实践：零样本文本分类

SetFit还可以做零样本文本分类。我们需要做的第一件事是创建一个合成样本的虚拟数据集。我们可以通过将 add_templated_examples() 函数来完成此操作。此函数需要一些主要内容：

• 用于分类的候选标签列表。 我们将在此处使用参考数据集中的标签。
• 用于生成示例的模板。 默认情况下，它是“This sentence is {}”，其中{}将由候选标签名称之一填充
• 样本量 N，这将为每个类创建 N 个合成示例。 作者发现 N=8 通常效果最好。

dataset_id = "emotion"
model_id = "sentence-transformers/paraphrase-mpnet-base-v2"
from datasets import load_dataset
reference_dataset = load_dataset(dataset_id)# 从“label”列中提取 ClassLabel 特征
label_features = reference_dataset["train"].features["label"]
# 用于分类的标签名称
candidate_labels = label_features.names
candidate_labels

['sadness', 'joy', 'love', 'anger', 'fear', 'surprise']

from datasets import Dataset
from setfit import add_templated_examples# 用合成样本填充的虚拟数据集
dummy_dataset = Dataset.from_dict({})
train_dataset = add_templated_examples(dummy_dataset, candidate_labels=candidate_labels, sample_size=8)
train_dataset

由于我们的数据集有 6 个类别，我们选择的样本大小为 8，因此我们的合成数据集包含 6×8=48 个样本。

Dataset({features: ['text', 'label'],num_rows: 48
})

我们看几个例子：

train_dataset.shuffle()[:3]

{'text': ['This sentence is love','This sentence is fear','This sentence is joy'],'label': [2, 4, 1]}

用这样虚拟数据集来微调模型，在预测看看效果：

from setfit import SetFitModelmodel = SetFitModel.from_pretrained(model_id)from setfit import SetFitTrainertrainer = SetFitTrainer(model=model,train_dataset=train_dataset,eval_dataset=reference_dataset["test"]
)trainer.train()
zeroshot_metrics = trainer.evaluate()
zeroshot_metrics

{'accuracy': 0.5345}

我们在尝试一下用 Hugging Face 的 zero-shot-classification：

from transformers import pipelinepipe = pipeline("zero-shot-classification", device=0)zeroshot_preds = pipe(reference_dataset["test"]["text"], batch_size=16, candidate_labels=candidate_labels)

zero-shot-classification pipeline 默认用的是 facebook/bart-large-mnli。注意，该方法 生成预测结果所需的时间比 SetFit 长将近 5 倍！ 好的，那么它的性能如何？

preds = [label_features.str2int(pred["labels"][0]) for pred in zeroshot_preds]import evaluatemetric = evaluate.load("accuracy")
transformers_metrics = metric.compute(predictions=preds, references=reference_dataset["test"]["label"])
transformers_metrics

与 SetFit 相比，这种方法的性能要差得多：

{'accuracy': 0.3765}

看来 SetFit 真的是——即简单，又高效，还性能好 ！666666666666666…