tomaarsen/mpnet-base-nli-matryoshka

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
oraciones = ["This is an example sentence", "Each sentence is converted"]

modelo = SentenceTransformer('tomaarsen/mpnet-base-nli-matryoshka')
embeddings = modelo.encode(oraciones)
print(embeddings)

Sin sentence-transformers, puedes usar el modelo así:

from transformers import AutoTokenizer, AutoModel
import torch

# Promedio de Pooling: 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 que queremos incrustaciones de frases
oraciones = ['This is an example sentence', 'Each sentence is converted']

# Cargar modelo desde HuggingFace Hub

tokenizer = AutoTokenizer.from_pretrained('tomaarsen/mpnet-base-nli-matryoshka')
modelo = AutoModel.from_pretrained('tomaarsen/mpnet-base-nli-matryoshka')

# Tokenizar oraciones
encoded_input = tokenizer(oraciones, padding=True, truncation=True, return_tensors='pt')

# Calcular incrustaciones de tokens
with torch.no_grad():
    model_output = modelo(**encoded_input)

# Realizar el pooling. En este caso, promediado de los tokens.
sentence_embeddings = mean_pooling(model_output, encoded_input['attention_mask'])

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