MahaSBERT-STS

Uso (Sentence-Transformers)

pip install -U sentence-transformers

from sentence_transformers import SentenceTransformer
sentences = ["Esta es una oración de ejemplo", "Cada oración se convierte"]

model = SentenceTransformer('{MODEL_NAME}')
embeddings = model.encode(sentences)
print(embeddings)

Uso (HuggingFace Transformers)

from transformers import AutoTokenizer, AutoModel
import torch

# Promedio - Tiene en cuenta la máscara de atención para un promediado correcto
def mean_pooling(model_output, attention_mask):
  token_embeddings = model_output[0] # El primer elemento de model_output contiene todas las representaciones de 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 que queremos obtener las representaciones
sentences = ['Esta es una oración de ejemplo', 'Cada oración se convierte']

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

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

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

# Realizar el promediado. En este caso, promedio.
sentence_embeddings = mean_pooling(model_output, encoded_input['attention_mask'])

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