shangrilar/klue-roberta-base-klue-sts

Uso (Transformadores de Oraciones)

Usar este modelo es fácil cuando tienes instalado sentence-transformers:

pip install -U sentence-transformers

Luego puedes usar el modelo así:

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

model = SentenceTransformer('shangrilar/klue-roberta-base-klue-sts')
embeddings = model.encode(sentences)
print(embeddings)

Uso (Transformadores HuggingFace)

Sin los sentence-transformers, puedes usar el modelo así: Primero, pasas tus entradas a través del modelo transformador, luego tienes que aplicar la operación de agrupación correcta sobre las incrustaciones de palabras contextualizadas.

from transformers import AutoTokenizer, AutoModel
import torch

# Agrupación por promedio - Toma 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 cuales queremos obtener incrustaciones
sentences = ['This is an example sentence', 'Each sentence is converted']

# Cargar el modelo desde el HuggingFace Hub
tokenizer = AutoTokenizer.from_pretrained('shangrilar/klue-roberta-base-klue-sts')
model = AutoModel.from_pretrained('shangrilar/klue-roberta-base-klue-sts')

# Tokenizar oraciones
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 la agrupación. En este caso, agrupación por promedio.
sentence_embeddings = mean_pooling(model_output, encoded_input['attention_mask'])

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

Resultados de Evaluación

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

Entrenamiento

El modelo fue entrenado con los parámetros:

DataLoader: torch.utils.data.dataloader.DataLoader con longitud 657 y parámetros: {'batch_size': 16, 'sampler': 'torch.utils.data.sampler.RandomSampler', 'batch_sampler': 'torch.utils.data.sampler.BatchSampler'}

Pérdida (Loss): sentence_transformers.losses.CosineSimilarityLoss.CosineSimilarityLoss

Parámetros del método fit():

{
  "epochs": 4,
  "evaluation_steps": 1000,
  "evaluator": "sentence_transformers.evaluation.EmbeddingSimilarityEvaluator.EmbeddingSimilarityEvaluator",
  "max_grad_norm": 1,
  "optimizer_class": "",
  "optimizer_params": {
    "lr": 2e-05
  },
  "scheduler": "WarmupLinear",
  "steps_per_epoch": null,
  "warmup_steps": 263,
  "weight_decay": 0.01
}

Arquitectura Completa del Modelo

SentenceTransformer(
  (0): Transformer({'max_seq_length': 512, 'do_lower_case': False}) con modelo Transformador: RobertaModel 
  (1): Pooling({'word_embedding_dimension': 768, 'pooling_mode_cls_token': False, 'pooling_mode_mean_tokens': True, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False})
)