bespin-global/klue-sroberta-base-continue-learning-by-mnr

Uso (Transformadores de Oraciones)

Usar este modelo es fácil si tienes instalado sentence-transformers:

pip install -U sentence-transformers

Luego puedes usar el modelo así:

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

model = SentenceTransformer("bespin-global/klue-sroberta-base-continue-learning-by-mnr")
embeddings = model.encode(sentences)
print(embeddings)

Uso (HuggingFace Transformers)

Sin sentence-transformers, puedes usar el modelo así: Primero, pasa tu entrada a través del modelo de transformers, luego debes aplicar la operación de agrupación correcta sobre las incrustaciones de palabras contextualizadas.

from transformers import AutoTokenizer, AutoModel
import torch

# Agrupación media - Tomar la máscara de atención en cuenta para promediar correctamente
def mean_pooling(model_output, attention_mask):
    token_embeddings = model_output[0] #El primer elemento de model_output contiene todas las representaciones de los 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)

# Frases para las cuales queremos incrustaciones
data = ["Esta es una frase de ejemplo", "Cada frase se convierte"]

# Cargar el modelo desde HuggingFace Hub
tokenizer = AutoTokenizer.from_pretrained("bespin-global/klue-sroberta-base-continue-learning-by-mnr")
model = AutoModel.from_pretrained("bespin-global/klue-sroberta-base-continue-learning-by-mnr")

# Tokenizar las frases
encoded_input = tokenizer(data, padding=True, truncation=True, return_tensors='pt')

# Calcular las representaciones de los tokens
with torch.no_grad():
    model_output = model(**encoded_input)

# Realizar la agrupación. En este caso, agrupación media.
sentence_embeddings = mean_pooling(model_output, encoded_input['attention_mask'])

print("Incrustaciones de frases:")
print(sentence_embeddings)

Resultados de Evaluación

Evaluador de similitud de incrustaciones: Evaluando el modelo en el conjunto de datos sts-test:

Cosine-Similarity: Pearson: 0.8901 Spearman: 0.8893

Manhattan-Distance: Pearson: 0.8867 Spearman: 0.8818

Euclidean-Distance: Pearson: 0.8875 Spearman: 0.8827

Dot-Product-Similarity: Pearson: 0.8786 Spearman: 0.8735

Promedio: 0.8892573547643868