Spaces:
Running
Running
File size: 25,748 Bytes
8fa3acc |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394 395 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417 418 419 420 421 422 423 424 425 426 427 428 429 430 431 432 433 434 435 436 437 438 439 440 441 442 443 444 445 446 447 448 449 450 451 452 453 454 455 456 457 458 459 460 461 462 463 464 465 466 467 468 469 470 471 472 473 474 475 476 477 478 479 480 481 482 483 484 485 486 487 488 489 490 491 492 493 494 495 496 497 498 499 500 501 502 503 504 505 506 507 508 509 510 511 512 513 514 515 516 517 518 519 520 521 522 523 524 525 526 527 528 529 530 531 532 533 534 535 536 537 538 539 540 541 542 543 544 545 546 547 548 549 550 551 552 553 554 555 556 557 558 559 560 561 562 563 564 565 566 567 568 569 570 571 572 573 574 575 576 577 578 579 580 581 582 583 584 585 586 587 588 589 590 591 592 593 594 595 596 597 598 599 600 601 602 603 |
from src.dataset.dataset import Dataset
from src.dataset.prompt_builder import PromptBuilder
from src.task import COLE_REPOSITORY_NAME
from src.task.task_names import Tasks
datasets = {
Tasks.ALLOCINE.value: Dataset(
name=Tasks.ALLOCINE.value,
description="Binary classification on sentiment analysis"
" of movie reviews, with reviews being either positive (1) or negative (0).",
possible_ground_truths=["0", "1"],
hugging_face_repo=COLE_REPOSITORY_NAME,
line_to_truth_fn=lambda line: line["label"],
line_to_prompt_fn=lambda line: PromptBuilder()
.add_premise("Cette phrase possède-t-elle un sentiment positif ou négatif ?")
.add_data(line["review"])
.add_end(
(
"Réponds "
"uniquement par 1 si la phrase est positive, réponds par 0 sinon. La réponse est :"
)
)
.build(),
line_to_data_fn=lambda line: line["review"],
),
Tasks.QFRCOLA.value: Dataset(
name=Tasks.QFRCOLA.value,
description="Binary grammatical judgement : "
"Predicts whether a sentence is grammatically correct (1) or not. (0).",
possible_ground_truths=["0", "1"],
hugging_face_repo=COLE_REPOSITORY_NAME,
line_to_truth_fn=lambda line: line["label"],
line_to_prompt_fn=lambda line: PromptBuilder()
.add_premise("Juge si cette phrase est grammaticalement correcte :")
.add_data(line["sentence"])
.add_end(
(
"Réponds avec seulement 1 si la phrase est grammaticalement correcte, 0 sinon. La réponse est :"
)
)
.build(),
line_to_data_fn=lambda line: line["sentence"],
),
Tasks.QFRBLIMP.value: Dataset(
name=Tasks.QFRBLIMP.value,
description="Choice task between two sentences : Choose the one which is grammatically correct.",
possible_ground_truths=["0", "1"],
hugging_face_repo=COLE_REPOSITORY_NAME,
line_to_truth_fn=lambda line: str(
line["label"]
), # The label is return as a string.
line_to_prompt_fn=lambda line: (
PromptBuilder()
.add_premise("Laquelle de ces phrases est grammaticalement correcte ?")
.add_data(f"Phrase 0:{line['sentence_a']}")
.add_data(f"Phrase 1:{line['sentence_b']}")
.add_end(
"Réponds avec seulement 0 si la phrase 0 "
"est grammaticalement correcte, et uniquement 1 si la phrase 1 est grammaticalement "
"correcte. La réponse est :"
)
.build()
),
line_to_data_fn=lambda line: {line["sentence_a"], line["sentence_b"]},
),
Tasks.GQNLI.value: Dataset(
name=Tasks.GQNLI.value,
description="Natural language inference task : "
"predict the relation between two sentences (implication, neutral, contradiction).",
possible_ground_truths=["0", "1", "2"],
hugging_face_repo=COLE_REPOSITORY_NAME,
line_to_truth_fn=lambda line: line["label"],
line_to_prompt_fn=lambda line: PromptBuilder()
.add_premise(
"Quelle est la relation de la deuxième phrase par rapport à la première ?"
)
.add_data(line["premise"])
.add_data(line["hypothesis"])
.add_end(
(
"Réponds uniquement par :\n"
"0 - si la deuxième phrase implique la première,\n"
"1 - si la relation est neutre,\n"
"2 - s'il y a contradiction.\n"
"Réponds uniquement par 0, 1 ou 2. La réponse est :"
)
)
.build(),
line_to_data_fn=lambda line: {
"premise": line["premise"],
"hypothesis": line["hypothesis"],
},
),
Tasks.SICKFR.value: Dataset(
name=Tasks.SICKFR.value,
description="Natural language inference task : "
"predict the relation between two sentences (implication, neutral, contradiction).",
possible_ground_truths=["0", "1", "2"],
hugging_face_repo=COLE_REPOSITORY_NAME,
line_to_truth_fn=lambda line: str(line["label"]),
line_to_prompt_fn=lambda line: PromptBuilder()
.add_premise("Détermine la relation entre les deux phrases suivantes :")
.add_data(f"Phrase A : {line['sentence_A']}\nPhrase B : {line['sentence_B']}")
.add_end(
"Réponds uniquement par 0, 1 ou 2 :\n"
"0 - si la deuxième phrase découle logiquement de la première,\n"
"1 - si leur relation est neutre,\n"
"2 - si les phrases se contredisent.\n"
"La réponse est :"
)
.build(),
line_to_data_fn=lambda line: {
"sentence_A": line["sentence_A"],
"sentence_B": line["sentence_B"],
},
),
Tasks.STS22.value: Dataset(
name=Tasks.STS22.value,
description="Semantic textual similarity task : "
"Predict how similar two sentences are to each other (1 to 4).",
possible_ground_truths=["1", "2", "3", "4"],
hugging_face_repo=COLE_REPOSITORY_NAME,
line_to_truth_fn=lambda line: str(line["score"]),
line_to_prompt_fn=lambda line: PromptBuilder()
.add_premise(
"À quel point les deux phrases suivantes sont-elles similaires ? Donne une note entière de 1 à 4."
)
.add_data(f"Phrase 1 : {line['sentence1']}\nPhrase 2 : {line['sentence2']}")
.add_end(
"Réponds uniquement avec un nombre entier entre 1 (aucune similarité) et 4 (équivalence parfaite). "
"La réponse est :"
)
.build(),
line_to_data_fn=lambda line: {
"sentence1": line["sentence1"],
"sentence2": line["sentence2"],
},
),
Tasks.PAWS_X.value: Dataset(
name=Tasks.PAWS_X.value,
description="Binary classification task : "
"Predict if two sentences have the same meaning (1) or not (0).",
possible_ground_truths=["0", "1"],
hugging_face_repo=COLE_REPOSITORY_NAME,
line_to_truth_fn=lambda line: line["label"],
line_to_prompt_fn=lambda line: PromptBuilder()
.add_premise(
"Les deux phrases suivantes veulent-elles dire la même chose, ou ont-elles des significations différentes ?"
)
.add_data(line["sentence1"])
.add_data(line["sentence2"])
.add_end(
(
"Réponds seulement 1 si les deux phrases ont la même signification, 0 sinon. La réponse est :"
)
)
.build(),
line_to_data_fn=lambda line: {
"sentence1": line["sentence1"],
"sentence2": line["sentence2"],
},
),
Tasks.PIAF.value: Dataset(
name=Tasks.PIAF.value,
description="Extractive question answering task : Extract a question's answer from a given context.",
possible_ground_truths=[],
hugging_face_repo=COLE_REPOSITORY_NAME,
line_to_truth_fn=lambda line: line["answers"],
line_to_prompt_fn=lambda line: PromptBuilder()
.add_premise(
"Tu vas recevoir un contexte suivi d'une question.\n"
"Ta tâche est d'extraire **mot pour mot** le passage du contexte qui répond le mieux à la question.\n"
"N'invente rien. Ne reformule pas.\n"
"Réponds **en copiant uniquement** un extrait exact du texte ci-dessus."
)
.add_data(f"Contexte : {line['context']}")
.add_data(f"Question : {line['question']}")
.add_end(
"Réponds uniquement par un passage extrait du contexte. La réponse est :"
)
.build(),
line_to_data_fn=lambda line: {
"context": line["context"],
"question": line["question"],
},
),
Tasks.FQUAD.value: Dataset(
name=Tasks.FQUAD.value,
description="Extractive question answering task : Extract a question's answer from a given context.",
possible_ground_truths=[],
hugging_face_repo=COLE_REPOSITORY_NAME,
line_to_truth_fn=lambda line: line["answers"],
line_to_prompt_fn=lambda line: PromptBuilder()
.add_premise(
"Tu vas recevoir un contexte suivi d'une question.\n"
"Ta tâche est d'extraire **mot pour mot** le passage du contexte qui répond le mieux à la question.\n"
"N'invente rien. Ne reformule pas.\n"
"Réponds **en copiant uniquement** un extrait exact du texte ci-dessus."
)
.add_data(f"Contexte : {line['context']}")
.add_data(f"Question : {line['question']}")
.add_end(
"Réponds uniquement par un passage extrait du contexte. La réponse est :"
)
.build(),
line_to_data_fn=lambda line: {
"context": line["context"],
"question": line["question"],
},
),
Tasks.XNLI.value: Dataset(
name=Tasks.XNLI.value,
description="Natural language inference task : "
"predict the relation between two sentences (implication, neutral, contradiction).",
possible_ground_truths=["0", "1", "2"],
hugging_face_repo=COLE_REPOSITORY_NAME,
line_to_truth_fn=lambda line: str(line["label"]),
line_to_prompt_fn=lambda line: PromptBuilder()
.add_premise(
"Quelle est la relation de la deuxième phrase par rapport à la première ?"
)
.add_data(rf"premise : {line['premise']}\n" f"sentence 2: {line['hypothesis']}")
.add_end(
(
"Réponds uniquement par :\n"
"0 - si la deuxième phrase implique la première,\n"
"1 - si la relation est neutre,\n"
"2 - s'il y a contradiction.\n"
"Réponds uniquement par 0, 1 ou 2. La réponse est :"
)
)
.build(),
line_to_data_fn=lambda line: {
"premise": line["premise"],
"hypothesis": line["hypothesis"],
},
),
Tasks.QFRCORE.value: Dataset(
name=Tasks.QFRCORE.value,
description="Definition matching task : "
"Match the Quebec expression with its definition from a list.",
possible_ground_truths=[str(i) for i in range(10)],
hugging_face_repo=COLE_REPOSITORY_NAME,
line_to_truth_fn=lambda line: str(line["correct_index"]),
line_to_prompt_fn=lambda line: PromptBuilder()
.add_premise(
f"Que veut dire cette expression québécoise « {line['expression']} » ?"
)
.add_data(
"\n".join(
f"{idx} - {definition}"
for idx, definition in enumerate(line["choices"])
)
)
.add_end(
(
"Réponds uniquement par l'index, débutant à zéro, "
"de la bonne définition parmi la liste ci-dessus. Par exemple, si la "
"troisième phrase correspond à l'expression, la réponse sera 2. La réponse est :"
)
)
.build(),
line_to_data_fn=lambda line: {
"expression": line["expression"],
"choices": line["choices"],
},
),
Tasks.QFRCORT.value: Dataset(
name=Tasks.QFRCORT.value,
description="Definition matching task : "
"Match the Quebec term with its definition from a list.",
possible_ground_truths=[str(i) for i in range(10)],
hugging_face_repo=COLE_REPOSITORY_NAME,
line_to_truth_fn=lambda line: str(line["correct_index"]),
line_to_prompt_fn=lambda line: PromptBuilder()
.add_premise(
f"Qu'est-ce que ça veut dire ce terme québécois « {line['terme']} » ?"
)
.add_data(
"\n".join(
f"{idx} - {definition}"
for idx, definition in enumerate(line["choices"])
)
)
.add_end(
(
"Réponds uniquement par l'index, débutant à zéro, "
"de la bonne définition parmi la liste ci-dessus. La réponse est :"
)
)
.build(),
line_to_data_fn=lambda line: {
"terme": line["terme"],
"choices": line["choices"],
},
),
Tasks.DACCORD.value: Dataset(
name=Tasks.DACCORD.value,
description="Paraphrase detection task :"
"Predict whether the two sentences are compatible (0) "
"or contradict each other (1).",
possible_ground_truths=["0", "1"],
hugging_face_repo=COLE_REPOSITORY_NAME,
line_to_truth_fn=lambda line: str(line["label"]),
line_to_prompt_fn=lambda line: (
PromptBuilder()
.add_premise("Détermine la relation entre les deux phrases suivantes :")
.add_data(f"Première phrase : {line['premise']}")
.add_data(f"Deuxième phrase : {line['hypothesis']}")
.add_end(
"Réponds uniquement par :\n"
"0 - si les deux phrases sont compatibles (elles expriment la même information ou sont cohérentes),\n"
"1 - s'il y a contradiction entre les deux phrases.\n"
"Réponds uniquement par 0 ou 1. La réponse est :"
)
.build()
),
line_to_data_fn=lambda line: {
"premise": line["premise"],
"hypothesis": line["hypothesis"],
},
),
Tasks.FRENCH_BOOLQ.value: Dataset(
name=Tasks.FRENCH_BOOLQ.value,
description="Binary question answering task : "
"Answer whether the context allows answering 'yes' to the question (1)"
"or, if the context only allows answering 'no' "
"to the question or does not answer the question. (0).",
possible_ground_truths=["0", "1"],
hugging_face_repo=COLE_REPOSITORY_NAME,
line_to_truth_fn=lambda line: str(line["label"]),
line_to_prompt_fn=lambda line: (
PromptBuilder()
.add_premise(
"Lis le passage suivant et réponds à la question en te basant uniquement sur le texte :\n"
"- Si le passage permet d'affirmer que la réponse à la question est oui, réponds 1.\n"
"- Sinon, si la réponse est non ou que le passage ne permet pas de répondre à la question, réponds 0."
)
.add_data(f"Passage : {line['passage']}")
.add_data(f"Question : {line['question']}")
.add_end("La réponse est :")
.build()
),
line_to_data_fn=lambda line: {
"question": line["question"],
"passage": line["passage"],
},
),
Tasks.MNLI_NINEELEVEN_FR_MT.value: Dataset(
name=Tasks.MNLI_NINEELEVEN_FR_MT.value,
description="Natural language inference task : "
"predict the relation between two sentences (implication, neutral, contradiction).",
possible_ground_truths=["0", "1", "2"],
hugging_face_repo=COLE_REPOSITORY_NAME,
line_to_truth_fn=lambda line: line["label"],
line_to_prompt_fn=lambda line: PromptBuilder()
.add_premise(
"Quelle est la relation de la deuxième phrase par rapport à la première ?"
)
.add_data(line["premise"])
.add_data(line["hypothesis"])
.add_end(
(
"Réponds uniquement par :\n"
"0 - si la deuxième phrase implique la première,\n"
"1 - si la relation est neutre,\n"
"2 - s'il y a contradiction.\n"
"Réponds uniquement par 0, 1 ou 2. La réponse est :"
)
)
.build(),
line_to_data_fn=lambda line: {
"premise": line["premise"],
"hypothesis": line["hypothesis"],
},
),
Tasks.RTE3_FRENCH.value: Dataset(
name=Tasks.RTE3_FRENCH.value,
description="Natural language inference task : "
"predict the relation between two sentences (entailment, neutral, contradiction)",
possible_ground_truths=["0", "1", "2"],
hugging_face_repo=COLE_REPOSITORY_NAME,
line_to_truth_fn=lambda line: str(line["label"]),
line_to_prompt_fn=lambda line: (
PromptBuilder()
.add_premise(
"Lis le texte suivant et détermine la relation de l'énoncé par rapport au texte."
)
.add_data(f"Texte : {line['premise']}")
.add_data(f"Énoncé : {line['hypothesis']}")
.add_end(
"Réponds uniquement par 0, 1 ou 2 :\n"
"0 - si l'énoncé découle logiquement du texte (entailment),\n"
"1 - si la relation est neutre,\n"
"2 - s'il y a contradiction.\n"
"La réponse est :"
)
.build()
),
line_to_data_fn=lambda line: {
"premise": line["premise"],
"hypothesis": line["hypothesis"],
},
),
Tasks.WINO_X_LM.value: Dataset(
name=Tasks.WINO_X_LM.value,
description=(
"Pronoun resolution task : predict the correct referent (1 or 2) "
"of a pronoun in a sentence by choosing between two candidates."
),
possible_ground_truths=["1", "2"],
hugging_face_repo=COLE_REPOSITORY_NAME,
line_to_truth_fn=lambda line: str(line["answer"]),
line_to_prompt_fn=lambda line: PromptBuilder()
.add_premise(
'Voici une phrase en anglais contenant le pronom "it" dans un sens ambigu et sa traduction en français.'
)
.add_data(f"Phrase (originale en anglais) : {line['sentence']}")
.add_data(
f"Traduction en français (le pronom est caché par '_' ) : {line['context_fr']}"
)
.add_data("À quoi renvoie ce pronom ? Voici les choix: ")
.add_data(f"1 : {line['option1_fr']}")
.add_data(f"2 : {line['option2_fr']}")
.add_end("Réponds uniquement par 1 ou 2. La réponse est :")
.build(),
line_to_data_fn=lambda line: {
"sentence": line["sentence"],
"translation": line["context_fr"],
"referent1": line["option1_fr"],
"referent2": line["option2_fr"],
},
),
Tasks.WINO_X_MT.value: Dataset(
name="wino_x_mt",
description=(
"Pronoun resolution based on translations: choose between two French translations of an English "
"sentence with an ambiguous pronoun. The goal is to identify which of the two translations uses "
"the correct pronoun (he or she) based on the correct referent."
),
possible_ground_truths=["1", "2"],
hugging_face_repo=COLE_REPOSITORY_NAME,
line_to_truth_fn=lambda line: str(line["answer"]),
line_to_prompt_fn=lambda line: PromptBuilder()
.add_premise(
"Voici deux traductions d’une phrase anglaise contenant un pronom ambigu :"
)
.add_data(f"Phrase originale : {line['sentence']}")
.add_data(f"Traduction 1 (avec '{line['pronoun1']}') : {line['translation1']}")
.add_data(f"Traduction 2 (avec '{line['pronoun2']}') : {line['translation2']}")
.add_end(
"Quelle traduction utilise le bon pronom en fonction du référent visé dans la phrase originale ?\n"
"Réponds uniquement par 1 si la traduction 1 est correcte, ou 2 si la traduction 2 est correcte.\n"
"La réponse est :"
)
.build(),
line_to_data_fn=lambda line: {
"sentence": line["sentence"],
"translation1": line["translation1"],
"translation2": line["translation2"],
"pronoun1": line["pronoun1"],
"pronoun2": line["pronoun2"],
},
),
Tasks.MULTIBLIMP.value: Dataset(
name=Tasks.MULTIBLIMP.value,
description="Choice task between two sentences : Choose the one which is grammatically correct.",
possible_ground_truths=["0", "1"],
hugging_face_repo=COLE_REPOSITORY_NAME,
line_to_truth_fn=lambda line: str(
line["label"]
), # The label is return as a string.
line_to_prompt_fn=lambda line: (
PromptBuilder()
.add_premise("Laquelle de ces phrases est grammaticalement correcte ?")
.add_data(f"Phrase 0:{line['sentence_a']}")
.add_data(f"Phrase 1:{line['sentence_b']}")
.add_end(
"Réponds avec seulement 0 si la phrase 0 "
"est grammaticalement correcte, et uniquement 1 si la phrase 1 est grammaticalement "
"correcte. La réponse est :"
)
.build()
),
line_to_data_fn=lambda line: {line["sentence_a"], line["sentence_b"]},
),
Tasks.FRACAS.value: Dataset(
name=Tasks.FRACAS.value,
description="Natural language inference task : "
"predict the relation between two sentences (implication, neutral, contradiction).",
possible_ground_truths=["0", "1", "2"],
hugging_face_repo=COLE_REPOSITORY_NAME,
line_to_truth_fn=lambda line: line["label"],
line_to_prompt_fn=lambda line: PromptBuilder()
.add_premise(
"Quelle est la relation de la deuxième phrase par rapport à la première ?"
)
.add_data(line["premise"])
.add_data(line["hypothesis"])
.add_end(
(
"Réponds uniquement par :\n"
"0 - si la deuxième phrase implique la première,\n"
"1 - si la relation est neutre,\n"
"2 - s'il y a contradiction.\n"
"Réponds uniquement par 0, 1 ou 2. La réponse est :"
)
)
.build(),
line_to_data_fn=lambda line: {
"premise": line["premise"],
"hypothesis": line["hypothesis"],
},
),
Tasks.MMS.value: Dataset(
name=Tasks.MMS.value,
description="A sentiment analysis task for classifying text as positive (2), negative (0), or neutral (1).",
possible_ground_truths=["0", "1", "2"],
hugging_face_repo=COLE_REPOSITORY_NAME,
line_to_truth_fn=lambda line: line["label"],
line_to_prompt_fn=lambda line: PromptBuilder()
.add_premise("Quel est le sentiment de cette phrase?")
.add_data(line["text"])
.add_end(
(
"Réponds uniquement par :\n"
"0 - si la phrase est négative,\n"
"1 - si la phrase est neutre,\n"
"2 - si la phrase est positive.\n"
"Réponds uniquement par 0, 1 ou 2. La réponse est :"
)
)
.build(),
line_to_data_fn=lambda line: {
"text": line["text"],
},
),
Tasks.WSD.value: Dataset(
name=Tasks.WSD.value,
description="Extractive word sense disambiguation : Extract an ambiguous word in a sentence.",
possible_ground_truths=[],
hugging_face_repo=COLE_REPOSITORY_NAME,
line_to_truth_fn=lambda line: line["label"],
line_to_prompt_fn=lambda line: PromptBuilder()
.add_premise(
"Tu vas recevoir une phrase contenant un mot ambigu ainsi que les étiquettes du 'part-of-speech tagging "
"(PoS)' pour chaque mot de la phrase. Le mot ambigu peut être un verbe ou un adjectif.\n"
"Ta tâche est d’indiquer **exactement** ce mot ambigu dans la phrase, sans rien ajouter ni reformuler.\n"
"Réponds uniquement avec le mot ambigu identifié."
)
.add_data(f"Phrase : {line['sentence']}")
.add_data(f"Part-of-speech tagging: {line['pos_tag_labels']}")
.add_end("La réponse est :")
.build(),
line_to_data_fn=lambda line: {
"sentence": line["sentence"],
"pos_tag_labels": line["pos_tag_labels"],
},
),
Tasks.LINGNLI.value: Dataset(
name=Tasks.LINGNLI.value,
description="Natural language inference task : "
"predict the relation between two sentences (implication, neutral, contradiction).",
possible_ground_truths=["0", "1", "2"],
hugging_face_repo=COLE_REPOSITORY_NAME,
line_to_truth_fn=lambda line: line["label"],
line_to_prompt_fn=lambda line: PromptBuilder()
.add_premise(
"Quelle est la relation de la deuxième phrase par rapport à la première ?"
)
.add_data(line["premise"])
.add_data(line["hypothesis"])
.add_end(
(
"Réponds uniquement par :\n"
"0 - si la deuxième phrase implique la première,\n"
"1 - si la relation est neutre,\n"
"2 - s'il y a contradiction.\n"
"Réponds uniquement par 0, 1 ou 2. La réponse est :"
)
)
.build(),
line_to_data_fn=lambda line: {
"premise": line["premise"],
"hypothesis": line["hypothesis"],
},
),
}
def preload_all_datasets():
"""Loads all datasets into cache for later usage"""
for dataset in datasets.values():
dataset.load_data()
def generate_metadata_dict():
"""Generates a dictionary with all the datasets metadata information"""
metadata_dict = {}
for dataset in datasets.values():
metadata_dict[dataset.name] = dataset.metadata
return metadata_dict
|