操作步骤
环境准备
ModelScope提供了本地（参考环境配置和模型下载）和远程环境两种模式，这里选择了使用ModelScope提供的远程环境，即Notebook进行开发，更加便捷。
通过个人中心进入到实例启动页面，这里选择CPU环境启动Notebook：
进入到如图所示的交互页面，选择以Notebook方式运行
即可进入正常的Notebook页面：
模型调试
通过如下命令，即可在Notebook环境下自动下载所需推理模型。这里通过pipeline()函数，以一行代码实现了模型定义，其中第一个参数为任务名称，第二个参数为模型地址，这里选用了达摩自然语言推理模型（base），该模型为在structbert-base-chinese预训练模型的基础上，用CMNLI、OCNLI两个数据集（45.8w条数据）微调训练出来的自然语言推理模型。。
frommodelscope.pipelinesimportpipelinefrommodelscope.utils.constantimportTaskssemantic_cls=pipeline(Tasks.nli, 'damo/nlp_structbert_nli_chinese-base')
在定义好模型调用函数后，即可输入句子对实现模型调用：
semantic_cls(input=[('商务职业学院和财经职业学院哪个好？', '商务职业学院商务管理在哪个校区？')])
得到返回结果：
返回输入句子对可能的三种关系contradiction， entailment和neutral的概率，如上所示，该输入句子对之间最有可能为neutral关系，基本符合我们的人工判断，说明模型效果还是不错的。
除了输入单对句子，也可以将多对句子作为模型输入，以列表输入为例：
sen_list1= ['商务职业学院和财经职业学院哪个好？', '我爱中国'] sen_list2= ['商务职业学院商务管理在哪个校区？', '我很爱中国'] sen_pairs= [] forkinrange(len(sen_list1)): sen_pairs.append((sen_list1[k], sen_list2[k])) semantic_cls(input=(sen_pairs))
从而得到如下的两组返回结果，可见第一个句子对结果与上述相同，第二个句子对则更有可能为entailment关系，也基本符合我们的判断。
下面，我们展示如何通过一个web ui将该功能封装起来，形成一个小的app。
引入web ui
安装gradio：pip install gradio
运行以下代码：
importgradioasgrsemantic_cls=pipeline(Tasks.nli, 'damo/nlp_structbert_nli_chinese-base') defnatural_language_inference(text1, text2): res=semantic_cls(input=(text1, text2)) returnresserver=gr.Interface( fn=natural_language_inference, inputs=[ gr.Textbox(lines=1, placeholder="请输入文本1"), gr.Textbox(lines=2, placeholder="请输入文本2") ], outputs="text") server.launch(share="true")
注意，最后server.launch的参数share=“true”表示该应用可以在Public URL上访问，否则只能在Local URL上访问。
最终，该应用呈现如下：
体验优化建议
- 当前模型文档还比较简单，仅有单句子对输入示例，可以考虑加入多句子对和数据文件作为输入的示例，以提高用户使用效率。
- 当前结果输出为按候选类别概率从小到大排列，可以考虑按照从大到小排列，更符合阅读习惯。
