Multilingual SimCSE

🚀 多言語SimCSE

多言語SimCSEは、対照学習モデルです。異なる言語の平行文ペアを使用して、テキストを同じベクトル空間にマッピングして事前学習を行います。これはSimCSEモデルに似ています。

🚀 クイックスタート

環境の準備

まず、必要なライブラリをインストールする必要があります。以下のコマンドを使用できます。

pip install transformers torch

サンプルコードの実行

以下は、多言語SimCSEモデルを使用してテキストの類似度を計算するサンプルコードです。

from transformers import AutoModel,AutoTokenizer
import torch
from torch.nn import functional as F

model = AutoModel.from_pretrained('WENGSYX/Multilingual_SimCSE')
tokenizer = AutoTokenizer.from_pretrained('WENGSYX/Multilingual_SimCSE')

word1 = tokenizer('Hello,world.',return_tensors='pt')
word2 = tokenizer('你好,世界',return_tensors='pt')
out1 = model(**word1).last_hidden_state.mean(1)
out2 = model(**word2).last_hidden_state.mean(1)
print(F.cosine_similarity(out1,out2))
----------------------------------------------------
tensor([0.8758], grad_fn=<DivBackward0>)

✨ 主な機能

• 多言語対応：平行言語ペアを使用して学習することで、複数の言語のテキストを処理できます。
• 対照学習：対照学習の方法を採用して、異なる言語のテキストを同じベクトル空間にマッピングし、異言語間の意味理解を容易にします。

📦 インストール

多言語SimCSEモデルを使用するには、transformersライブラリを使用してインストールできます。

pip install transformers

💻 使用例

基本的な使用法

from transformers import AutoModel,AutoTokenizer
import torch
from torch.nn import functional as F

model = AutoModel.from_pretrained('WENGSYX/Multilingual_SimCSE')
tokenizer = AutoTokenizer.from_pretrained('WENGSYX/Multilingual_SimCSE')

word1 = tokenizer('Hello,world.',return_tensors='pt')
word2 = tokenizer('你好,世界',return_tensors='pt')
out1 = model(**word1).last_hidden_state.mean(1)
out2 = model(**word2).last_hidden_state.mean(1)
print(F.cosine_similarity(out1,out2))

高度な使用法

以下は、多言語SimCSEモデルを学習するサンプルコードです。

from transformers import AutoModel,AutoTokenizer,AdamW
import torch
from torch.nn import functional as F

model = AutoModel.from_pretrained('WENGSYX/Multilingual_SimCSE')
tokenizer = AutoTokenizer.from_pretrained('WENGSYX/Multilingual_SimCSE')
optimizer = AdamW(model.parameters(),lr=1e-5)

def compute_loss(y_pred, t=0.05, device="cuda"):
    idxs = torch.arange(0, y_pred.shape[0], device=device)
    y_true = idxs + 1 - idxs % 2 * 2
    similarities = F.cosine_similarity(y_pred.unsqueeze(1), y_pred.unsqueeze(0), dim=2)
    similarities = similarities - torch.eye(y_pred.shape[0], device=device) * 1e12
    similarities = similarities / t
    loss = F.cross_entropy(similarities, y_true)
    return torch.mean(loss)
    
wordlist = [['Hello,world','你好,世界'],['Pensa che il bianco rappresenti la purezza.','Он думает, что белые символизируют чистоту.']]

input_ids, attention_mask, token_type_ids = [], [], []
for x in wordlist:
    text1 = tokenizer(x[0], padding='max_length', truncation=True, max_length=512)
    input_ids.append(text1['input_ids'])
    attention_mask.append(text1['attention_mask'])
    text2 = tokenizer(x[1], padding='max_length', truncation=True, max_length=512)
    input_ids.append(text2['input_ids'])
    attention_mask.append(text2['attention_mask'])

input_ids = torch.tensor(input_ids,device=device)
attention_mask = torch.tensor(attention_mask,device=device)

output = model(input_ids=input_ids,attention_mask=attention_mask)
output = output.last_hidden_state.mean(1)
loss = compute_loss(output)
loss.backward()

optimizer.step()
optimizer.zero_grad()

🔧 技術詳細

• 事前学習モデル：mDeBERTaモデルを使用して事前学習パラメータをロードします。
• 学習データセット：CCMatrixデータセットに基づいて事前学習を行い、学習データには1億個の平行ペアが含まれています。
• 学習デバイス：4 * 3090を使用して学習を行います。

📄 情報テーブル