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