🚀 turkish-mini-bert-uncased-mean-nli-stsb-tr
このモデルは、sentence-transformers を使用したモデルです。文章や段落を256次元の密ベクトル空間にマッピングし、クラスタリングや意味検索などのタスクに使用できます。
このモデルは ytu-ce-cosmos/turkish-mini-bert-uncased をベースに、以下のデータセットでファインチューニングされています。
🚀 クイックスタート
このモデルは、文章や段落を256次元の密ベクトル空間にマッピングし、クラスタリングや意味検索などのタスクに使用できます。
✨ 主な機能
- 文章や段落を256次元の密ベクトル空間にマッピングすることができます。
- クラスタリングや意味検索などのタスクに使用できます。
📦 インストール
sentence-transformers をインストールすると、このモデルを簡単に使用することができます。
pip install -U sentence-transformers
💻 使用例
基本的な使用法
from sentence_transformers import SentenceTransformer
sentences = ["Bu örnek bir cümle", "Her cümle dönüştürülür"]
model = SentenceTransformer('atasoglu/turkish-mini-bert-uncased-mean-nli-stsb-tr')
embeddings = model.encode(sentences)
print(embeddings)
高度な使用法
from transformers import AutoTokenizer, AutoModel
import torch
def mean_pooling(model_output, attention_mask):
token_embeddings = model_output[0]
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)
sentences = ["Bu örnek bir cümle", "Her cümle dönüştürülür"]
tokenizer = AutoTokenizer.from_pretrained('atasoglu/turkish-mini-bert-uncased-mean-nli-stsb-tr')
model = AutoModel.from_pretrained('atasoglu/turkish-mini-bert-uncased-mean-nli-stsb-tr')
encoded_input = tokenizer(sentences, padding=True, truncation=True, return_tensors='pt')
with torch.no_grad():
model_output = model(**encoded_input)
sentence_embeddings = mean_pooling(model_output, encoded_input['attention_mask'])
print("Sentence embeddings:")
print(sentence_embeddings)
📚 ドキュメント
評価結果
STS-b のテストスプリットで達成された結果は以下の通りです。
Cosine-Similarity : Pearson: 0.8117 Spearman: 0.8074
Manhattan-Distance: Pearson: 0.8029 Spearman: 0.7972
Euclidean-Distance: Pearson: 0.8028 Spearman: 0.7977
Dot-Product-Similarity: Pearson: 0.7563 Spearman: 0.7435
トレーニング
このモデルは以下のパラメータでトレーニングされています。
DataLoader:
torch.utils.data.dataloader.DataLoader
の長さは45で、以下のパラメータが設定されています。
{'batch_size': 128, 'sampler': 'torch.utils.data.sampler.RandomSampler', 'batch_sampler': 'torch.utils.data.sampler.BatchSampler'}
Loss:
sentence_transformers.losses.CosineSimilarityLoss.CosineSimilarityLoss
fit() メソッドのパラメータ:
{
"epochs": 10,
"evaluation_steps": 4,
"evaluator": "sentence_transformers.evaluation.EmbeddingSimilarityEvaluator.EmbeddingSimilarityEvaluator",
"max_grad_norm": 1,
"optimizer_class": "<class 'torch.optim.adamw.AdamW'>",
"optimizer_params": {
"lr": 2e-05
},
"scheduler": "WarmupLinear",
"steps_per_epoch": null,
"warmup_steps": 45,
"weight_decay": 0.01
}
完全なモデルアーキテクチャ
SentenceTransformer(
(0): Transformer({'max_seq_length': 256, 'do_lower_case': False}) with Transformer model: BertModel
(1): Pooling({'word_embedding_dimension': 256, 'pooling_mode_cls_token': False, 'pooling_mode_mean_tokens': True, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False})
)
🔧 技術詳細
:warning: すべてのテキストは手動で小文字に変換されています。 モデルの作者による記述 の通りです。
text.replace("I", "ı").lower()
📄 ライセンス
このモデルは MIT ライセンスの下で提供されています。