ahdsoft/persian-sentence-transformer-news-wiki-pairs-v3

Usando este modelo se vuelve fácil cuando tienes sentence-transformers instalado:

pip install -U sentence-transformers

Entonces puedes usar el modelo así:

from sentence_transformers import SentenceTransformer
sentences = ["This is an example sentence", "Each sentence is converted"]
model = SentenceTransformer('ahdsoft/persian-sentence-transformer-news-wiki-pairs-v3')
embeddings = model.encode(sentences)
print(embeddings)

Sin sentence-transformers, puedes usar el modelo así: Primero debes pasar el input a través del modelo transformer, luego debes aplicar la operación de pooling adecuada sobre los embeddings de palabras contextualizadas.

from transformers import AutoTokenizer, AutoModel
import torch
# Mean Pooling - Tener en cuenta el attention mask para un promedio correcto
def mean_pooling(model_output, attention_mask):
    token_embeddings = model_output[0] # El primer elemento de model_output contiene todos los embeddings de tokens
    input_mask_expanded = attention_mask.unsqueeze(-1).expand(token_embeddings.size()).float()
    return torch.sum(token_embeddings * input_mask_expanded, 1) / torch.clamp(input_mask_expanded.sum(1), min=1e-9)
# Oraciones para las que queremos embeddings de oraciones
sentences = ['This is an example sentence', 'Each sentence is converted']
# Cargar modelo desde HuggingFace Hub
tokenizer = AutoTokenizer.from_pretrained('ahdsoft/persian-sentence-transformer-news-wiki-pairs-v3')
model = AutoModel.from_pretrained('ahdsoft/persian-sentence-transformer-news-wiki-pairs-v3')
# Tokenizar oraciones
encoded_input = tokenizer(sentences, padding=True, truncation=True, return_tensors='pt')
# Calcular embeddings de tokens
with torch.no_grad():
    model_output = model(**encoded_input)
# Realizar pooling. En este caso, mean pooling.
sentence_embeddings = mean_pooling(model_output, encoded_input['attention_mask'])
print("Embeddings de oraciones:")
print(sentence_embeddings)