sentence-transformers/distilbert-base-nli-stsb-mean-tokens
sentence-transformers
Similitud de oraciones
Este es un modelo de sentence-transformers: mapea frases y párrafos a un espacio vectorial denso de 768 dimensiones y se puede usar para tareas como agrupamiento o búsqueda semántica. **⚠️ Este modelo está obsoleto. Por favor, no lo uses, ya que produce incrustaciones de frases de baja calidad.** Puedes encontrar modelos recomendados de incrustación de frases aquí: SBERT.net - Modelos preentrenados.
Como usar
Uso (Sentence-Transformers)
Instalar el paquete sentence-transformers:
pip install -U sentence-transformers
Usar el modelo de la siguiente manera:
from sentence_transformers import SentenceTransformer
sentences = ["This is an example sentence", "Each sentence is converted"]
model = SentenceTransformer('sentence-transformers/distilbert-base-nli-stsb-mean-tokens')
embeddings = model.encode(sentences)
print(embeddings)
Uso (HuggingFace Transformers)
Sin sentence-transformers, puedes usar el modelo de esta manera:
from transformers import AutoTokenizer, AutoModel
import torch
# Mean Pooling - Tomar 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 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)
# Frases para las que queremos obtener incrustaciones
sentences = ['This is an example sentence', 'Each sentence is converted']
# Cargar el modelo desde HuggingFace Hub
# Tokenizar las frases
tokenizer = AutoTokenizer.from_pretrained('sentence-transformers/distilbert-base-nli-stsb-mean-tokens')
model = AutoModel.from_pretrained('sentence-transformers/distilbert-base-nli-stsb-mean-tokens')
encoded_input = tokenizer(sentences, padding=True, truncation=True, return_tensors='pt')
# Calcular incrustaciones de tokens
with torch.no_grad():
model_output = model(**encoded_input)
# Realizar pooling (promedio). En este caso, el max pooling
sentence_embeddings = mean_pooling(model_output, encoded_input['attention_mask'])
print("Incrustaciones de frases:")
print(sentence_embeddings)
Funcionalidades
- Transforma frases y párrafos en vectores densos de 768 dimensiones
- Utiliza técnicas de agrupamiento y búsqueda semántica
- Basado en la arquitectura DistilBert
- Incluye operaciones de pooling como el Mean Pooling tomando en cuenta la máscara de atención
Casos de uso
- Agrupamiento de frases
- Búsqueda semántica
- Análisis de similitud entre frases