Pipeline 方式 - 阅读理解任务

1 课程概览

本课讲解 Pipeline 方式进行阅读理解。阅读理解也叫抽取式问答，输入一段文本和一个问题，让模型输出结果。Transformers 有三种调用方式：管道（Pipeline）、自动（AutoModel）、具体模型。本课使用管道方式。使用 Chinese Pretrain MRC RoBERTa 模型。

2 核心概念与定义

阅读理解（Question Answering）：抽取式问答，输入文本和问题，输出答案。
抽取式问答：从给定文本中抽取答案。

3 模型与算法详解

三种调用方式

方式	名称	说明
管道	Pipeline	最简单，直接出结果
自动	AutoModel	中等，可 DIY
具体模型	具体模型	最灵活，原材料

带头任务头 vs 不带任务头

类型	说明	示例
带头任务头	成品，直接出结果	情感分类、完形填空、阅读理解
不带任务头	半成品，需结合其他模型	特征提取

阅读理解流程

1. 创建 pipeline 对象（question-answering）
2. 定义问答句子（context + questions）
3. 将数据传给模型
4. 输出结果

模型选择

使用 Chinese Pretrain MRC RoBERTa 模型。

任务	模型
阅读理解	chinese-pretrain-mrc-roberta

传参方式

关键字传参，与参数顺序无关。

位置传参：与参数顺序有关
关键字传参：与参数顺序无关

4 数学原理与推导

阅读理解

$$\text{answer} = \text{model}(\text{context}, \text{question})$$

其中：

$\text{context}$ 是上下文文本
$\text{question}$ 是问题
$\text{answer}$ 是答案

抽取式问答

$$\text{start}, \text{end} = \text{model}(\text{context}, \text{question})$$

$$\text{answer} = \text{context}[\text{start}:\text{end}]$$

5 代码示例

from transformers import pipeline


def dm04_question_answering():
    """Pipeline 方式：阅读理解"""
    # 1. 创建 pipeline 对象
    model_path = "C:/software/softwallg/pretrained_model/chinese-pretrain-mrc-roberta"
    
    my_model = pipeline(
        "question-answering",  # 阅读理解任务
        model=model_path,
        tokenizer=model_path
    )
    
    # 2. 定义问答句子
    context = "我叫翰哥，我是一名教师，我的喜好是BBQ和抬手"
    questions = [
        "我叫啥？",
        "我是做什么的？",
        "我的爱好是什么？"  # 注意：上文说"喜好"，问题问"爱好"
    ]
    
    # 3. 将数据传给模型（关键字传参）
    for question in questions:
        output = my_model(context=context, question=question)
        print(f"问题: {question}")
        print(f"答案: {output['answer']}")
        print(f"分数: {output['score']:.4f}")
        print("-" * 50)
    
    return my_model


# 测试
if __name__ == "__main__":
    print("=== Pipeline 方式：阅读理解 ===")
    my_model = dm04_question_answering()

代码说明

代码	说明
`pipeline("question-answering", ...)`	创建阅读理解 pipeline
`chinese-pretrain-mrc-roberta`	中文阅读理解模型
`my_model(context=..., question=...)`	关键字传参