E5-small-v2

intfloat
Similitud de oraciones

Embeddings de texto mediante preentrenamiento contrastivo débilmente supervisado. Liang Wang, Nan Yang, Xiaolong Huang, Binxing Jiao, Linjun Yang, Daxin Jiang, Rangan Majumder y Furu Wei, arXiv 2022. Este modelo tiene 12 capas y el tamaño del embedding es 384.

Como usar

A continuación hay un ejemplo para codificar consultas y pasajes del conjunto de datos de ranking 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 debería comenzar con 'query: ' o 'passage: '.
# Para tareas que no sean de recuperación, se puede usar simplemente 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."]

 tokeniz = AutoTokenizer.from_pretrained('intfloat/e5-small-v2')
model = AutoModel.from_pretrained('intfloat/e5-small-v2')

# Tokenizar 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'])

# normalizar embeddings
embeddings = F.normalize(embeddings, p=2, dim=1)
scores = (embeddings[:2] @ embeddings[2:].T) * 100
print(scores.tolist())

Funcionalidades

Transformers de Pytorch
Soporte para TensorFlow de Google
Compatibilidad con ONNX
Modelo en inglés
Evalúa resultados de transformers de oraciones
Genera incrustaciones de texto mediante preentrenamiento contrastivo
Modelo seguro
12 capas
Tamaño del embedding: 384
Licencia: MIT

Casos de uso

Recuperación de pasajes en preguntas abiertas
Recuperación ad-hoc de información
Similitud semántica
Recuperación de paráfrasis
Clasificación lineal de sondeo, agrupamiento