nikcheerla/nooks-amd-detection-realtime

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

pip install -U sentence-transformers

from sentence_transformers import SentenceTransformer
sentences = ["Esta es una frase de ejemplo", "Cada frase es convertida"]

model = SentenceTransformer('nikcheerla/nooks-amd-detection-realtime')
embeddings = model.encode(sentences)
print(embeddings)

Sin sentence-transformers, puedes usar el modelo de la siguiente manera: Primero, pasa tu entrada a través del modelo transformer, luego tienes que aplicar la operación de pooling adecuada sobre las embeddings contextuales de palabras.

from transformers import AutoTokenizer, AutoModel
import torch

#Pooling promedio - Tener 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 todas las 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)

# Frases para las que queremos embeddings de frase
sentences = ['Esta es una frase de ejemplo', 'Cada frase es convertida']

# Cargar modelo desde HuggingFace Hub
tokenizer = AutoTokenizer.from_pretrained('nikcheerla/nooks-amd-detection-realtime')
model = AutoModel.from_pretrained('nikcheerla/nooks-amd-detection-realtime')

# 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 promedio.
sentence_embeddings = mean_pooling(model_output, encoded_input['attention_mask'])

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

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