BengaliSBERT

l3cube-pune

Similitud de oraciones

Este es un modelo BengaliBERT (l3cube-pune/bengali-bert) entrenado en el conjunto de datos NLI. Lanzado como parte del proyecto MahaNLP: https://github.com/l3cube-pune/MarathiNLP. Una versión multilingüe de este modelo que soporta los principales idiomas índicos y capacidades multilingües se comparte aquí indic-sentence-bert-nli. Un mejor modelo de similitud de oraciones (versión afinada de este modelo) se comparte aquí: https://huggingface.co/l3cube-pune/bengali-sentence-similarity-sbert. Más detalles sobre el conjunto de datos, los modelos y los resultados base se pueden encontrar en nuestro artículo: https://arxiv.org/abs/2304.11434.

Como usar

Uso (Sentence-Transformers)
Usar este modelo es fácil cuando tienes sentence-transformers instalado:
pip install -U sentence-transformers

Después puedes usar el modelo así:
from sentence_transformers import SentenceTransformer
sentences = ["This is an example sentence", "Each sentence is converted"]
model = SentenceTransformer('{MODEL_NAME}')
embeddings = model.encode(sentences)
print(embeddings)

Uso (HuggingFace Transformers)
Sin sentence-transformers, puedes usar el modelo así: Primero, pasas tu entrada a través del modelo transformer, luego debes aplicar la operación de pooling correcta sobre las embeddings de palabras contextualizadas.
from transformers import AutoTokenizer, AutoModel
import torch

def cls_pooling(model_output, attention_mask):
    return model_output[0][:,0]

# Frases para las que queremos embeddings de oraciones
sentences = ['This is an example sentence', 'Each sentence is converted']

# Cargar modelo de HuggingFace Hub
tokenizer = AutoTokenizer.from_pretrained('{MODEL_NAME}')
model = AutoModel.from_pretrained('{MODEL_NAME}')

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

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

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

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

Funcionalidades

Similitud de oraciones
sentence-transformers
PyTorch
Transformers
Bengalí
Extracción de características
Inferencia de texto-embeddings

Casos de uso

Comparación de similitud de oraciones
Extracción de características
Representación de oraciones para tareas de procesamiento de lenguaje natural