atasoglu/roberta-small-turkish-clean-uncased-nli-stsb-tr
atasoglu
Similitud de oraciones
Este es un modelo de transformadores de oraciones: mapea oraciones y párrafos a un espacio vectorial denso de 512 dimensiones y se puede usar para tareas como agrupamiento o búsqueda semántica.
Como usar
Cuando tienes sentence-transformers instalado, puedes usar el modelo de la siguiente manera:
pip install -U sentence-transformers
from sentence_transformers import SentenceTransformer
sentences = ["This is an example sentence", "Each sentence is converted"]
model = SentenceTransformer('atasoglu/roberta-small-turkish-clean-uncased-nli-stsb-tr')
embeddings = model.encode(sentences)
print(embeddings)
Sin sentence-transformers puedes usar el modelo de esta manera:
from transformers import AutoTokenizer, AutoModel
import torch
# Promedio de Pooling - Tener en cuenta la máscara de atención para el 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
sentences = ['This is an example sentence', 'Each sentence is converted']
# Cargar modelo desde HuggingFace Hub
tokenizer = AutoTokenizer.from_pretrained('atasoglu/roberta-small-turkish-clean-uncased-nli-stsb-tr')
model = AutoModel.from_pretrained('atasoglu/roberta-small-turkish-clean-uncased-nli-stsb-tr')
# 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, promedio de pooling.
sentence_embeddings = mean_pooling(model_output, encoded_input['attention_mask'])
print("Embeddings de oraciones:")
print(sentence_embeddings)
Funcionalidades
- Transformadores de oraciones
- Mapeo a espacio vectorial denso de 512 dimensiones
- Adaptado de burakaytan/roberta-small-turkish-clean-uncased
- Entrenado y afinado en los conjuntos de datos nli_tr y emrecan/stsb-mt-turkish
- Textos convertidos a minúsculas manualmente
Casos de uso
- Agrupamiento de oraciones
- Búsqueda semántica
- Búsqueda en bases de datos de documentos
- Comparación de similitud entre oraciones