Serafim 335m Portuguese (PT) Sentence Encoder ajustado para Recuperación de Información (IR)

Uso (Sentence-Transformers)

Instalar las bibliotecas necesarias es fácil cuando tienes sentence-transformers instalado: pip install -U sentence-transformers

Luego puedes usar el modelo de la siguiente manera:

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

modelo = SentenceTransformer('PORTULAN/serafim-335m-portuguese-pt-sentence-encoder-ir')
incrustaciones = modelo.encode(oraciones)
print(incrustaciones)

Uso (HuggingFace Transformers)

Sin sentence-transformers, puedes utilizar el modelo de la siguiente manera: Primero, pasas tu entrada a través del modelo transformador, luego debes aplicar la operación de pool adecuado en la parte superior de 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 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
oraciones = ["Esta es una oración de ejemplo", "Cada oración se convierte"]

# Cargar modelo desde HuggingFace Hub
tokenizer = AutoTokenizer.from_pretrained('PORTULAN/serafim-335m-portuguese-pt-sentence-encoder-ir')
modelo = AutoModel.from_pretrained('PORTULAN/serafim-335m-portuguese-pt-sentence-encoder-ir')

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

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

# Realizar pooling. En este caso, mean pooling.
incrustaciones_de_oraciones = mean_pooling(model_output, encoded_input['attention_mask'])

print("Incrustaciones de oraciones:")
print(incrustaciones_de_oraciones)