LEALLA-base
setu4993
Similitud de oraciones
LEALLA es una colección de modelos livianos de incrustaciones de oraciones independientes del idioma que soportan 109 idiomas, destilados de LaBSE. El modelo es útil para obtener incrustaciones de oraciones multilingües y para la recuperación de bi-textos.
Como usar
Usando el modelo:
import torch
from transformers import BertModel, BertTokenizerFast
tokenizer = BertTokenizerFast.from_pretrained('setu4993/LEALLA-base')
model = BertModel.from_pretrained('setu4993/LEALLA-base')
model = model.eval()
english_sentences = [
'dog',
'Puppies are nice.',
'I enjoy taking long walks along the beach with my dog.',
]
english_inputs = tokenizer(english_sentences, return_tensors='pt', padding=True)
with torch.no_grad():
english_outputs = model(**english_inputs)
# Para obtener las incrustaciones de las oraciones, usa la salida del pooler:
english_embeddings = english_outputs.pooler_output
# Salida para otros idiomas:
italian_sentences = [
'cane',
'I cuccioli sono carini.',
'Mi piace fare lunghe passeggiate lungo la spiaggia con il mio cane.',
]
japanese_sentences = ['犬', '子犬はいいです', '私は犬と一緒にビーチを散歩するのが好きです']
italian_inputs = tokenizer(italian_sentences, return_tensors='pt', padding=True)
japanese_inputs = tokenizer(japanese_sentences, return_tensors='pt', padding=True)
with torch.no_grad():
italian_outputs = model(**italian_inputs)
japanese_outputs = model(**japanese_inputs)
italian_embeddings = italian_outputs.pooler_output
japanese_embeddings = japanese_outputs.pooler_output
# Para la similitud entre oraciones, se recomienda una norma L2 antes de calcular la similitud:
import torch.nn.functional as F
def similarity(embeddings_1, embeddings_2):
normalized_embeddings_1 = F.normalize(embeddings_1, p=2)
normalized_embeddings_2 = F.normalize(embeddings_2, p=2)
return torch.matmul(
normalized_embeddings_1, normalized_embeddings_2.transpose(0, 1)
)
print(similarity(english_embeddings, italian_embeddings))
print(similarity(english_embeddings, japanese_embeddings))
print(similarity(italian_embeddings, japanese_embeddings))
Funcionalidades
- Obtener incrustaciones de oraciones multilingües
- Recuperación de bi-textos
- Modelos livianos y eficientes
- Conversión de TensorFlow a PyTorch
- Modelos equivalentes en TF Hub y PyTorch
- Requiere tolerancias más altas para algunos idiomas (como japonés)
Casos de uso
- Obtener incrustaciones de oraciones multilingües
- Alineación de oraciones paralelas
- Recuperación y búsqueda de bi-textos
- Análisis de similitud entre oraciones en diferentes idiomas