lewtun/setfit-ethos-multilabel-example

Uso (Sentence-Transformers)

Usar este modelo se vuelve fácil cuando tienes sentence-transformers instalado:

pip install -U sentence-transformers

Luego puedes usar el modelo de esta manera:

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

model = SentenceTransformer('lewtun/setfit-ethos-multilabel-example')
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 tienes que aplicar la operación de agrupamiento correcta sobre los embeddings de las palabras contextualizadas.

from transformers import AutoTokenizer, AutoModel
import torch

#Pooling Media - Tomar en cuenta la máscara de atención para el 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 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 embeddings de oración
sentences = ['Esto es una oración de ejemplo', 'Cada oración se convierte']

# Cargar modelo desde HuggingFace Hub

tokenizer = AutoTokenizer.from_pretrained('lewtun/setfit-ethos-multilabel-example')

model = AutoModel.from_pretrained('lewtun/setfit-ethos-multilabel-example')

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

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

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

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

Resultados de Evaluación

Para una evaluación automatizada de este modelo, vea el Benchmark de Emocionamientos de Oraciones: https://seb.sbert.net