upskyy/e5-small-korean

Uso (Sentence-Transformers)

Primero, instala la biblioteca Sentence Transformers:

pip install -U sentence-transformers

Luego puedes cargar este modelo y ejecutar la inferencia.

from sentence_transformers import SentenceTransformer

# Descargar del Hub de 🤗
model = SentenceTransformer('upskyy/e5-small-korean')

# Ejecutar inferencia
sentences = [
    '아이를 가진 엄마가 해변을 걷는다.',
    '두 사람이 해변을 걷는다.',
    '한 남자가 해변에서 개를 산책시킨다.',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 384]

# Obtener los puntajes de similitud para los embeddings
similarities = model.similarity(embeddings, embeddings)
print(similarities.shape)
# [3, 3]

Uso (HuggingFace Transformers)

Sin sentence-transformers, puedes usar el modelo así: Primero, pasa tu entrada a través del modelo transformador, luego tienes que aplicar la operación de pooling correcta sobre los embeddings contextualizados de las palabras.

from transformers import AutoTokenizer, AutoModel
import torch

# Mean Pooling - Tener 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 que queremos embeddings de oraciones
sentences = ['안녕하세요?', '한국어 문장 임베딩을 위한 버트 모델입니다.']

# Cargar modelo del Hub de HuggingFace
tokenizer = AutoTokenizer.from_pretrained('upskyy/e5-small-korean')
model = AutoModel.from_pretrained('upskyy/e5-small-korean')

# 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 por promedio.
sentence_embeddings = mean_pooling(model_output, encoded_input['attention_mask'])

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