零樣本分類

零樣本文字分類非常有用，無需任何程式碼即可嘗試分類。您只需傳遞一個句子/段落以及該句子的可能標籤，即可獲得結果。模型不一定在您提供的標籤上進行過訓練，但它仍然可以預測正確的標籤。

有關zero-shot-classification任務的更多詳細資訊，請檢視其專用頁面！您將找到示例和相關材料。

使用API

語言

提供商

設定

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規範

請求

標頭
授權	字串	認證頭，形式為`'Bearer: hf_**'`，其中`hf_**`是具有“推理提供商”許可權的個人使用者訪問令牌。您可以從您的設定頁面生成一個。

有效負載
輸入*	字串	要分類的文字
引數*	物件
候選標籤*	字串陣列	用於將文字分類的可能類別標籤集。
假設模板	字串	與`candidate_labels`結合使用的句子，透過用候選標籤替換佔位符來嘗試文字分類。
多標籤	布林值	是否允許多個候選標籤為真。如果為假，則分數被標準化，使得每個序列的標籤似然之和為1。如果為真，則標籤被視為獨立，並且每個候選標籤的機率都進行標準化。

響應

正文
（陣列）	物件陣列	輸出是一個物件陣列。
標籤	字串	預測的類別標籤。
分數	數字	對應的機率。

< > 在 GitHub 上更新

推理服務提供商

零樣本分類

推薦模型

使用API

API規範

請求

響應