Bert-MLM_arXiv-MP-class_zbMath

Uso (Sentence-Transformers)

Usar este modelo es fácil si tienes sentence-transformers instalado:

pip install -U sentence-transformers

Luego puedes usar el modelo así:

from sentence_transformers import SentenceTransformer
sentences = ["En este documento mostramos cómo calcular la norma $\Lambda_{\alpha}$, $\alpha\ge 0$, utilizando la cuadrícula diádica. Este resultado es una consecuencia de la descripción de los espacios de Hardy $H^p(R^N)$ en términos de átomos diádicos y especiales.",
"Mostramos que un determinante de los números de ciclo de Stirling cuenta autómatas de fuente única acíclicos no etiquetados. La prueba involucra una biyección de estos autómatas a ciertos caminos de retícula marcados y una involución de cambio de signo para evaluar el determinante."]

model = SentenceTransformer('math-similarity/Bert-MLM_arXiv-MP-class_zbMath')
embeddings = model.encode(sentences)
print(embeddings)

Uso (Transformers de HuggingFace)

Sin sentence-transformers, puedes usar el modelo así: Primero, pasas tu entrada a través del modelo transformer, luego tienes que aplicar la operación de pooling correcta sobre las incrustaciones 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 todas las incrustaciones 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 que queremos las incrustaciones de oraciones
sentences = ["En este documento mostramos cómo calcular la norma $\Lambda_{\alpha}$, $\alpha\ge 0$, utilizando la cuadrícula diádica. Este resultado es una consecuencia de la descripción de los espacios de Hardy $H^p(R^N)$ en términos de átomos diádicos y especiales.",
"Mostramos que un determinante de los números de ciclo de Stirling cuenta autómatas de fuente única acíclicos no etiquetados. La prueba involucra una biyección de estos autómatas a ciertos caminos de retícula marcados y una involución de cambio de signo para evaluar el determinante."]

# Cargar el modelo desde HuggingFace Hub
tokenizer = AutoTokenizer.from_pretrained('math-similarity/Bert-MLM_arXiv-MP-class_zbMath')
model = AutoModel.from_pretrained('math-similarity/Bert-MLM_arXiv-MP-class_zbMath')

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

# Calcular las incrustaciones de 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("Incrustaciones de oraciones:")
print(sentence_embeddings)