pouya-pezeshkpour commited on
Commit
922100d
1 Parent(s): cee9ad6

Create README.md

Browse files
Files changed (1) hide show
  1. README.md +48 -0
README.md ADDED
@@ -0,0 +1,48 @@
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
1
+ ---
2
+ language:
3
+ - fa
4
+ - multilingual
5
+ thumbnail: "https://upload.wikimedia.org/wikipedia/commons/a/a2/Farsi.svg"
6
+ tags:
7
+ - multiple-choice
8
+ - mbert
9
+ - persian
10
+ - farsi
11
+ license: "CC BY-NC-SA 4.0"
12
+ datasets:
13
+ - parsinlu
14
+ metrics:
15
+ - accuracy
16
+ ---
17
+
18
+ # Multiple-Choice Question Answering (مدل برای پاسخ به سوالات چهار جوابی)
19
+
20
+ This is a mbert-based model for multiple-choice question answering.
21
+ Here is an example of how you can run this model:
22
+
23
+ ```python
24
+ from transformers import bert-base-multilingual-uncased, bert-base-multilingual-uncasedTokenizer
25
+
26
+ model_size = "small"
27
+ model_name = f"persiannlp/mt5-base-parsinlu-multiple-choice"
28
+ tokenizer = bert-base-multilingual-uncasedTokenizer.from_pretrained(model_name)
29
+ model = bert-base-multilingual-uncasedForConditionalGeneration.from_pretrained(model_name)
30
+
31
+
32
+ def run_model(input_string, **generator_args):
33
+ input_ids = tokenizer.encode(input_string, return_tensors="pt")
34
+ res = model.generate(input_ids, **generator_args)
35
+ output = tokenizer.batch_decode(res, skip_special_tokens=True)
36
+ print(output)
37
+ return output
38
+
39
+
40
+ run_model("وسیع ترین کشور جهان کدام است؟ <sep> آمریکا <sep> کانادا <sep> روسیه <sep> چین")
41
+ run_model("طامع یعنی ؟ <sep> آزمند <sep> خوش شانس <sep> محتاج <sep> مطمئن")
42
+ run_model(
43
+ "زمینی به ۳۱ قطعه متساوی مفروض شده است و هر روز مساحت آماده شده برای احداث، دو برابر مساحت روز قبل است.اگر پس از (۵ روز) تمام زمین آماده شده باشد، در چه روزی یک قطعه زمین آماده شده <sep> روز اول <sep> روز دوم <sep> روز سوم <sep> هیچکدام")
44
+
45
+ ```
46
+
47
+
48
+ For more details, visit this page: https://github.com/persiannlp/parsinlu/