stjiris/bert-large-portuguese-cased-legal-mlm-nli-sts-v1
Este es un modelo de sentence-transformers que mapea oraciones y párrafos en un espacio vectorial denso de 1024 dimensiones y se puede utilizar para tareas como la agrupación o la búsqueda semántica. Se deriva de stjiris/bert-large-portuguese-cased-legal-mlm (una variante legal de BERTimbau grande). Fue entrenado con la técnica de MLM con una tasa de aprendizaje de 1e-5 en oraciones legales de aproximadamente 30000 documentos en 15000 pasos de entrenamiento. El modelo fue presentado a datos de NLI con un tamaño de lote de 16 y una tasa de aprendizaje de 2e-5. Fue entrenado para la similitud textual semántica, sometido a una etapa de ajuste fino con los conjuntos de datos assin, assin2, stsb_multi_mt pt e IRIS STS.
Como usar
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 = ["Isto é um exemplo", "Isto é um outro exemplo"]
model = SentenceTransformer('stjiris/bert-large-portuguese-cased-legal-mlm-nli-sts-v1')
embeddings = model.encode(sentences)
print(embeddings)
Usar (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 de model_output contiene todos los token embeddings
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 los embeddings de oraciones
sentences = ['This is an example sentence', 'Each sentence is converted']
# Cargar el modelo desde HuggingFace Hub
tokenizer = AutoTokenizer.from_pretrained('stjiris/bert-large-portuguese-cased-legal-mlm-nli-sts-v1')
model = AutoModel.from_pretrained('stjiris/bert-large-portuguese-cased-legal-mlm-nli-sts-v1')
# 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, pooling de media.
sentence_embeddings = mean_pooling(model_output, encoded_input['attention_mask'])
print("Embeddings de oraciones:")
print(sentence_embeddings)
Arquitectura completa del modelo
SentenceTransformer(
(0): Transformer({'max_seq_length': 514, 'do_lower_case': False}) with Transformer model: BertModel
(1): Pooling({'word_embedding_dimension': 1028, 'pooling_mode_cls_token': False, 'pooling_mode_mean_tokens': True, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False, 'pooling_mode_weightedmean_tokens': False, 'pooling_mode_lasttoken': False})
)
Funcionalidades
- Modelo de sentence-transformers
- Mapea oraciones y párrafos a un espacio vectorial denso de 1024 dimensiones
- Puede ser utilizado para tareas como la agrupación y la búsqueda semántica
- Entrenado con la técnica de MLM
- Entrenado también para similitud textual semántica
Casos de uso
- Agrupación de oraciones
- Búsqueda semántica