AhmetAytar/all-mpnet-base-v2-fine-tuned_17_textbook_grobid_semantic

Usar este modelo es fácil cuando se tiene sentence-transformers instalado:

pip install -U sentence-transformers

Entonces puedes usar el modelo así:

from sentence_transformers import SentenceTransformer
sentences = ["Esta es una frase de ejemplo", "Cada frase se convierte"]

model = SentenceTransformer('AhmetAytar/all-mpnet-base-v2-fine-tuned_17_textbook_grobid_semantic')
embeddings = model.encode(sentences)
print(embeddings)

Resultados de Evaluación Para una evaluación automatizada de este modelo, consulte el Sentence Embeddings Benchmark: https://seb.sbert.net

Entrenamiento El modelo fue entrenado con los siguientes parámetros: DataLoader: torch.utils.data.dataloader.DataLoader de longitud 414 con parámetros: {'batch_size': 10, 'sampler': 'torch.utils.data.sampler.SequentialSampler', 'batch_sampler': 'torch.utils.data.sampler.BatchSampler'}

Pérdida: sentence_transformers.losses.MultipleNegativesRankingLoss.MultipleNegativesRankingLoss con parámetros: {'scale': 20.0, 'similarity_fct': 'cos_sim'}

Parámetros del método fit(): { "epochs": 2, "evaluation_steps": 50, "evaluator": "NoneType", "max_grad_norm": 1, "optimizer_class": "", "optimizer_params": { "lr": 2e-05 }, "scheduler": "WarmupLinear", "steps_per_epoch": null, "warmup_steps": 82, "weight_decay": 0.01 }

Arquitectura Completa del Modelo SentenceTransformer( (0): Transformer({'max_seq_length': 384, 'do_lower_case': False}) con modelo Transformer: MPNetModel (1): Pooling({'word_embedding_dimension': 768, 'pooling_mode_cls_token': False, 'pooling_mode_mean_tokens': True, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False, 'pooling_mode_weightedmean_tokens': False, 'pooling_mode_lasttoken': False, 'include_prompt': True}) (2): Normalize() )