TingChenChang/make-multilingual-en-zh-tw-20220825062338

Usando este modelo en sentence-transformers:

pip install -U sentence-transformers

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

model = SentenceTransformer('TingChenChang/make-multilingual-en-zh-tw-20220825062338')
embeddings = model.encode(sentences)
print(embeddings)

Usando HuggingFace Transformers:

from transformers import AutoTokenizer, AutoModel
import torch

# Mean Pooling - Toma en cuenta la máscara de atención para promedio correcto
def mean_pooling(model_output, attention_mask):
    token_embeddings = model_output[0] # 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 modelo desde HuggingFace Hub
tokenizer = AutoTokenizer.from_pretrained('TingChenChang/make-multilingual-en-zh-tw-20220825062338')
model = AutoModel.from_pretrained('TingChenChang/make-multilingual-en-zh-tw-20220825062338')

# 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)

Resultados de Evaluación: Para una evaluación automática de este modelo, ver el Benchmark de Embeddings de Oraciones: https://seb.sbert.net