all-MiniLM-L6-v2-similarity-es

Uso (Sentence-Transformers)

Instalar el paquete sentence-transformers:

pip install -U sentence-transformers

Luego se puede usar el modelo de la siguiente manera:

from sentence_transformers import SentenceTransformer
sentences = ["Esta es una frase para ser comparada", "Esta es otra oración"]

model = SentenceTransformer('jaimevera1107/roberta-similarity-es')
embeddings = model.encode(sentences)
print(embeddings)

Uso (HuggingFace Transformers)

Sin sentence-transformers, se puede usar el modelo de la siguiente manera: Primero, pase su entrada a través del modelo transformer, luego debe aplicar la operación de pooling correcta en la parte superior de los embeddings de palabras contextualizadas.

from transformers import AutoTokenizer, AutoModel
import torch

# Mean Pooling - Tener en cuenta la máscara de atención para un 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 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)

# Oraciones para las cuales queremos embeddings de oraciones
sentences = ["Esta es una frase para ser comparada", "Esta es otra oración"]

# Cargar el modelo desde HuggingFace Hub
tokenizer = AutoTokenizer.from_pretrained('jaimevera1107/roberta-similarity-es')
model = AutoModel.from_pretrained('jaimevera1107/roberta-similarity-es')

# Tokenizar las oraciones
encoded_input = tokenizer(sentences, padding=True, truncation=True, return_tensors='pt')

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

# Realizar pooling. En este caso, mean pooling.
sentence_embeddings = mean_pooling(model_output, encoded_input['attention_mask'])

print("Embeddings de oraciones:")
print(sentence_embeddings)