indobert-finetuned-indonli

rahmanfadhil
Similitud de oraciones

Este es un modelo de sentence-transformers: Mapea oraciones y párrafos a un espacio denso de vectores de 768 dimensiones y puede ser utilizado para tareas como el clustering o la búsqueda semántica. Está basado en el modelo IndoBERT por indobenchmark y entrenado usando el conjunto de datos IndoNLI en Google Colab.

Como usar

Uso (sentence-transformers)

pip install -U sentence-transformers

from sentence_transformers import SentenceTransformer
sentences = ["This is an example sentence", "Each sentence is converted"]

model = SentenceTransformer('indobert-finetuned-indonli')
embeddings = model.encode(sentences)
print(embeddings)

Uso (HuggingFace Transformers)

from transformers import AutoTokenizer, AutoModel
import torch

#Mean Pooling - Tomar 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 del 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 cuales queremos embeddings de oraciones
sentences = ['This is an example sentence', 'Each sentence is converted']

# Cargar el modelo desde HuggingFace Hub
tokenizer = AutoTokenizer.from_pretrained('indobert-finetuned-indonli')
model = AutoModel.from_pretrained('indobert-finetuned-indonli')

# Tokenizar oraciones
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, mean pooling.
sentence_embeddings = mean_pooling(model_output, encoded_input['attention_mask'])

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

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

Funcionalidades

Transformación de oraciones a vectores densos de 768 dimensiones
Basado en el modelo IndoBERT
Entrenado utilizando el conjunto de datos IndoNLI
Compatible con sentence-transformers y HuggingFace Transformers
Extracción de características
Embeddings de texto
Endpoints de inferencia

Casos de uso

Clustering
Búsqueda semántica