yilunzhang/all-mpnet-base-v2-onnx

Exactamente igual que en sentence-transformers/all-mpnet-base-v2, excepto utilizando ORTModelForFeatureExtraction de optimum.

pip install optimum[onnxruntime]

from transformers import AutoTokenizer
from optimum.onnxruntime import ORTModelForFeatureExtraction
import torch
import torch.nn.functional as F

# Mean Pooling - Tomar la máscara de atención en cuenta 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)

# Sentencias para las que queremos incrustaciones de sentencia
sentences = ['This is an example sentence', 'Each sentence is converted']

# Cargar el modelo desde Hugging Face Hub
tokenizer = AutoTokenizer.from_pretrained('yilunzhang/all-mpnet-base-v2-onnx')
model = ORTModelForFeatureExtraction.from_pretrained('yilunzhang/all-mpnet-base-v2-onnx')

# Tokenizar las sentencias
encoded_input = tokenizer(sentences, padding=True, truncation=True, return_tensors='pt')

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

# Realizar el pooling
sentence_embeddings = mean_pooling(model_output, encoded_input['attention_mask'])

# Normalizar las incrustaciones
sentence_embeddings = F.normalize(sentence_embeddings, p=2, dim=1)

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