Transformers 框架 Pipeline 任务详解（四）：问答（question-answering）

在自然语言处理领域，问答系统是一项关键的技术，它旨在根据给定的问题从文本中找到最准确的答案。借助 Hugging Face 的 Transformers 框架的 Pipeline API，我们可以快速地搭建一个强大的问答系统，而无需深入理解背后的复杂模型结构和算法细节。本文将详细探讨 Transformers 框架中的question-answering任务，包括任务描述、应用场景、配置指南以及实战案例。

1. 任务简介

question-answering任务的目标是，对于一个给定的问题，从上下文中抽取最合适的答案。例如：

• 信息检索：用户询问“谁是《哈利·波特》的作者？”，系统应当能够从提供的文本或文档集合中找出答案“J.K.罗琳”。
• 知识查询：当问到“太阳是由什么组成的？”时，系统应能回答出“氢和氦”。

为了完成这一任务，通常需要以下步骤：

1. 问题解析：理解问题的意图和要求。
2. 上下文分析：识别并理解包含潜在答案的文本段落。
3. 答案提取：从上下文中定位并提取最符合问题的答案。

根据 Hugging Face 官网的数据，当前已有超过12,624个question-answering模型，这些模型已经在大量的文本数据上进行了微调，以更好地适应特定的任务需求：

2. 应用场景

问答系统广泛应用于多个行业和领域，以下是几个典型的应用实例：

• 智能助手：像 Siri、Alexa 和 Google Assistant 这样的虚拟助手可以使用问答技术来响应用户的提问，提供即时的帮助和信息。
• 教育辅导：在线学习平台可以集成问答功能，帮助学生解决学习过程中遇到的问题，或者为教师提供教学辅助。
• 客户服务：企业可以通过聊天机器人自动回复客户咨询，提高服务效率，降低运营成本。
• 医疗健康：通过问答系统，患者可以获得关于疾病预防、治疗方案等基本医疗信息，促进自我健康管理。
• 法律咨询：律师或法律顾问可以利用问答工具快速查找相关的法律法规和案例，提升工作效率。

3. 任务配置

在 Transformers 框架中，question-answering任务的配置相对简单。下面是从源代码中摘录的相关配置示例（位于./transformers/pipelines/__init__.py文件）：

SUPPORTED_TASKS = {# 其他省略......"question-answering": {"impl": QuestionAnsweringPipeline,"tf": (TFAutoModelForQuestionAnswering,) if is_tf_available() else (),"pt": (AutoModelForQuestionAnswering,) if is_torch_available() else (),"default": {"model": {"pt": ("distilbert/distilbert-base-cased-distilled-squad", "564e9b5"),"tf": ("distilbert/distilbert-base-cased-distilled-squad", "564e9b5"),},},"type": "text",},# 其他省略......
}

默认情况下，Transformers 框架会使用distilbert-base-cased-distilled-squad作为question-answering任务的预训练模型。这个模型是在 SQuAD 数据集上进行过微调的 DistilBERT 版本，特别适用于英文的问答任务。

4. 问答实战

确保您已经安装了 Transformers 库和其他必要的依赖包：

pip install transformers torch

方法一：自动下载模型

如果您的网络环境允许，可以直接从 Hugging Face 下载模型并创建 Pipeline 任务。如下老牛同学使用 Hugging Face 镜像网站自动下载模型：

import os# 设置代理
os.environ["HF_ENDPOINT"] = "https://hf-mirror.com"# 设置本地缓存目录
cache_dir = os.path.join('D:', os.path.sep, 'ModelSpace', 'Cache')
os.environ['HF_HOME'] = cache_dirfrom transformers import pipeline# 创建Pipeline任务
nlp = pipeline("question-answering", model="distilbert/distilbert-base-cased-distilled-squad")# 执行问答任务
if __name__ == "__main__":# 上下文context = r"""Extractive Question Answering is the task of extracting an answer from a text given a question.An example of a question answering dataset is the SQuAD dataset, which is entirely based on that task.If you would like to fine-tune a model on a SQuAD task,you may leverage the examples/pytorch/question-answering/run_squad.py script."""# 执行任务result = nlp(context=context, question="What is a good example of a question answering dataset?")print(result)# 输出：{'score': 0.5152314901351929, 'start': 155, 'end': 168, 'answer': 'SQuAD dataset'}

输出结果包含了四个关键部分：

1. score: 表示模型对于所找到答案的信心程度，范围从 0 到 1。数值越接近 1，意味着模型对这个答案的准确性越有信心。在这个例子中，score: 0.5152314901351929表明模型比较确信“SQuAD dataset”是正确答案。

2. start: 指定了答案在上下文字符串中的起始位置（以字符为单位）。例如，在提供的上下文中，“SQuAD dataset”的第一个字符位于索引 155 处。注意，这个索引是从 0 开始计数的，也就是说，文本的第一个字符的位置是 0。

3. end: 给出了答案在上下文字符串中的结束位置（同样以字符为单位），但需要注意的是，这个索引是指答案最后一个字符之后的位置。

4. answer: 给出了模型认为的答案文本。在这个例子中，答案是“SQuAD dataset”，即数据集样本。

方法二：自主下载模型

如果您希望使用本地模型文件，可以按照以下步骤操作：

from transformers import AutoTokenizer, AutoModelForQuestionAnswering, pipeline
import os# 下载模型目录
model_dir = '/models/question_answering'# 加载分词器和模型
tokenizer = AutoTokenizer.from_pretrained(model_dir, local_files_only=True)
model = AutoModelForQuestionAnswering.from_pretrained(model_dir, torch_dtype="auto", device_map="auto", local_files_only=True)# 创建Pipeline任务
nlp = pipeline("question-answering", tokenizer=tokenizer, model=model)# 后续用法与自动下载相同

5. WebUI 界面

为了能使用question-answering Pipeline 任务的体验更好，或者进行模型演示，我们可以使用 Gradio 创建一个直观的 WebUI 界面。以下是创建界面的代码示例：

import sys# 直接复用Pipeline实例
sys.path.append("./")
pipeline = __import__("04-question-answering")import gradio as gr# 定义问答函数
def answer_question(question, context):result = pipeline.nlp(question=question, context=context)return f"答案: {result['answer']}, 置信度: {result['score']:.4f}"# 创建Gradio界面
with gr.Blocks() as demo:gr.Markdown("# 问答系统")gr.Markdown("这是一个基于Transformers框架的问答工具。您可以输入一个问题和一段文本，点击“提交”按钮后，系统将尝试从中找到答案。")with gr.Row():input_context = gr.Textbox(placeholder="请输入相关文本...", label="上下文")with gr.Row():input_question = gr.Textbox(placeholder="请输入您的问题...", label="问题")with gr.Row():submit_button = gr.Button("提交")with gr.Row():output_answer = gr.Label(label="答案")# 设置按钮点击事件，触发问答函数submit_button.click(answer_question, inputs=[input_question, input_context], outputs=output_answer)# 启动Gradio应用
if __name__ == "__main__":demo.launch()

运行上述代码，我们可以看到 URL 信息：

* Running on local URL:  http://127.0.0.1:7860To create a public link, set `share=True` in `launch()`.

通过浏览器打开地址，就可以通过可视化的方式进行词元分类了：

如果想要分享给更多人，可以在 launch() 函数中设置 share=True 参数，Gradio 将生成一个公开链接供他人访问。

6. 总结

本文全面介绍了 Transformers 框架中的question-answering任务，从基础概念到实际应用，再到如何构建和部署一个交互式的问答系统。无论是在智能助手、教育辅导还是客户服务等领域，Transformers 框架都能为我们提供强有力的支持，助力我们快速实现高效的问答解决方案。

老牛同学将持续为大家带来更多有关 Pipeline 任务的文章（共28篇）。如果您有任何疑问或建议，请随时在评论区留言交流！

---

Transformers 框架：

01.包和对象加载中的设计巧思与实用技巧

02.AutoModel 初始化及 Qwen2.5 模型加载全流程

03.Qwen2.5 大模型的 AutoTokenizer 技术细节

04.Qwen2.5/GPT 分词流程与 BPE 分词算法技术细节

05.嵌入（Embedding）机制和 Word2Vec 实战

Pipeline NLP 任务：

零·概述 丨 01.文本转音频 丨 02.文本分类 丨 03.词元分类和命名实体识别

往期推荐文章：

Bolt.new 用一句话快速构建全栈应用：本地部署与应用实战（Ollama/Qwen2.5 等）

基于 Qwen2.5-Coder 模型和 CrewAI 多智能体框架，实现智能编程系统的实战教程

vLLM CPU 和 GPU 模式署和推理 Qwen2 等大语言模型详细教程

基于 Qwen2/Lllama3 等大模型，部署团队私有化 RAG 知识库系统的详细教程（Docker+AnythingLLM）

使用 Llama3/Qwen2 等开源大模型，部署团队私有化 Code Copilot 和使用教程

基于 Qwen2 大模型微调技术详细教程（LoRA 参数高效微调和 SwanLab 可视化监控）

ChatTTS 长音频合成和本地部署 2 种方式，让你的“儿童绘本”发声的实战教程