meedan/paraphrase-filipino-mpnet-base-v2

Uso (Sentence-Transformers)

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

pip install -U sentence-transformers

Luego puedes usar el modelo así:

from sentence_transformers import SentenceTransformer
from scipy.spatial import distance
import itertools

model = SentenceTransformer('meedan/paraphrase-filipino-mpnet-base-v2')

sentences = ['saan pong mga lugar available ang pfizer vaccine? Thank you!', 'Ask ko lang po saan meron available na vaccine', 'Where is the vaccine available?']
embeddings = model.encode(sentences)
dist=[distance.cosine(i,j) for i,j in itertools.combinations(embeddings,2)]
print(dist)

Uso (HuggingFace Transformers)

Sin sentence-transformers, puedes usar el modelo así: Primero, pasa tu entrada a través del modelo transformer, luego debes aplicar la operación de pooling correcta sobre los embeddings de palabras contextualizadas.

from transformers import AutoTokenizer, AutoModel
import torch

# Mean Pooling - Take attention mask into account for correct averaging
def mean_pooling(model_output, attention_mask):
    token_embeddings = model_output[0] # El primer elemento de model_output contiene todos los token embeddings
    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 = ['This is an example sentence', 'Each sentence is converted']

# Carga del modelo desde HuggingFace Hub
tokenizer = AutoTokenizer.from_pretrained('meedan/paraphrase-filipino-mpnet-base-v2')
model = AutoModel.from_pretrained('meedan/paraphrase-filipino-mpnet-base-v2')

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

# Cálculo de los token embeddings
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)