E5-RoPE-Base
dwzhu
Similitud de oraciones
LongEmbed: Extender los modelos de incrustación para la recuperación de contexto largo. Dawei Zhu, Liang Wang, Nan Yang, Yifan Song, Wenhao Wu, Furu Wei, Sujian Li, arxiv 2024. Este modelo tiene 12 capas y el tamaño de la incrustación es 768.
Como usar
A continuación se muestra un ejemplo para codificar consultas y pasajes del conjunto de datos de clasificación de pasajes MS-MARCO.
import torch.nn.functional as F
from torch import Tensor
from transformers import AutoTokenizer, AutoModel
def average_pool(last_hidden_states: Tensor, attention_mask: Tensor) -> Tensor:
last_hidden = last_hidden_states.masked_fill(~attention_mask[..., None].bool(), 0.0)
return last_hidden.sum(dim=1) / attention_mask.sum(dim=1)[..., None]
# Cada texto de entrada debe comenzar con 'query: ' o 'passage: '.
# Para tareas distintas a la recuperación, simplemente puedes usar el prefijo 'query: '.
input_texts = ['query: how much protein should a female eat', 'query: summit define', 'passage: As a general guideline, the CDC's average requirement of protein for women ages 19 to 70 is 46 grams per day. But, as you can see from this chart, you'll need to increase that if you're expecting or training for a marathon. Check out the chart below to see how much protein you should be eating each day.', 'passage: Definition of summit for English Language Learners. : 1 the highest point of a mountain : the top of a mountain. : 2 the highest level. : 3 a meeting or series of meetings between the leaders of two or more governments.']
tokenizer = AutoTokenizer.from_pretrained('dwzhu/e5rope-base')
model = AutoModel.from_pretrained('dwzhu/e5rope-base')
# Tokeniza los textos de entrada
batch_dict = tokenizer(input_texts, max_length=512, padding=True, truncation=True, return_tensors='pt')
outputs = model(**batch_dict)
embeddings = average_pool(outputs.last_hidden_state, batch_dict['attention_mask'])
# normaliza las incrustaciones
embeddings = F.normalize(embeddings, p=2, dim=1)
scores = (embeddings[:2] @ embeddings[2:].T) * 100
print(scores.tolist())
Funcionalidades
- Modelo de transformación de oración
- Posicionamiento de incrustaciones absolutas y rotativas
- 12 capas
- Tamaño de incrustación de 768
Casos de uso
- Clasificación de pasajes
- Análisis de similitud de sentencias
- Recuperación de contexto largo