smartmind/ko-sbert-augSTS-maxlength512

Uso (Sentence-Transformers)

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

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('smartmind/ko-sbert-augSTS-maxlength512')
embeddings = model.encode(sentences)
print(embeddings)

Uso (HuggingFace Transformers)

Sin sentence-transformers, puedes usar el modelo así: Primero, pasa tu entrada a través del modelo transformer, luego debes aplicar la operación de agrupación correcta sobre los embeddings de palabras contextualizadas.

from transformers import AutoTokenizer, AutoModel
import torch

# Agrupación por media: ten 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 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('smartmind/ko-sbert-augSTS-maxlength512')
 model = AutoModel.from_pretrained('smartmind/ko-sbert-augSTS-maxlength512')

# 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 agrupación. En este caso, agrupación por media.
 sentence_embeddings = mean_pooling(model_output, encoded_input['attention_mask'])

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

Resultados de la Evaluación

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