Wikimedical Sent Biobert Multi

🚀 WikiMedical_sent_biobert_multi

WikiMedical_sent_biobert_multi 是一個基於 sentence-transformers 的模型，它可以將句子和段落映射到 768 維的密集向量空間，可用於聚類或語義搜索等任務。該模型是 nuvocare/WikiMedical_sent_biobert 的多語言版本，在 nuvocare/Ted2020_en_es_fr_de_it_ca_pl_ru_nl 數據集上進行了訓練。

🚀 快速開始

本部分將介紹如何使用 WikiMedical_sent_biobert_multi 模型，包括使用 sentence-transformers 庫和 HuggingFace Transformers 庫的方法。

✨ 主要特性

• 多語言支持：能夠處理多種語言的句子和段落。
• 向量映射：將文本映射到 768 維的密集向量空間。
• 任務適用性：適用於聚類、語義搜索等任務。

📦 安裝指南

若要使用該模型，你需要安裝 sentence-transformers 庫，可使用以下命令進行安裝：

pip install -U sentence-transformers

💻 使用示例

基礎用法（Sentence-Transformers）

在安裝了 sentence-transformers 庫後，使用該模型變得非常簡單，示例代碼如下：

from sentence_transformers import SentenceTransformer
sentences = ["This is an example sentence", "Each sentence is converted"]

model = SentenceTransformer('WikiMedical_sent_biobert_multi')
embeddings = model.encode(sentences)
print(embeddings)

高級用法（HuggingFace Transformers）

若未安裝 sentence-transformers 庫，你可以按以下方式使用該模型：首先將輸入傳遞給 Transformer 模型，然後對上下文詞嵌入應用正確的池化操作。

from transformers import AutoTokenizer, AutoModel
import torch


#Mean Pooling - Take attention mask into account for correct averaging
def mean_pooling(model_output, attention_mask):
    token_embeddings = model_output[0] #First element of model_output contains all token embeddings
    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 we want sentence embeddings for
sentences = ['This is an example sentence', 'Each sentence is converted']

# Load model from HuggingFace Hub
tokenizer = AutoTokenizer.from_pretrained('WikiMedical_sent_biobert_multi')
model = AutoModel.from_pretrained('WikiMedical_sent_biobert_multi')

# Tokenize sentences
encoded_input = tokenizer(sentences, padding=True, truncation=True, return_tensors='pt')

# Compute token embeddings
with torch.no_grad():
    model_output = model(**encoded_input)

# Perform pooling. In this case, mean pooling.
sentence_embeddings = mean_pooling(model_output, encoded_input['attention_mask'])

print("Sentence embeddings:")
print(sentence_embeddings)

📚 詳細文檔

評估結果

該模型基於兩種評估器 MSE 和 translation 進行跨語言評估，評估結果如下表所示：

若要對該模型進行自動評估，請參考 Sentence Embeddings Benchmark：https://seb.sbert.net

訓練詳情

該模型使用以下參數進行訓練：

數據加載器

torch.utils.data.dataloader.DataLoader，長度為 66833，參數如下：

{'batch_size': 16, 'sampler': 'torch.utils.data.sampler.RandomSampler', 'batch_sampler': 'torch.utils.data.sampler.BatchSampler'}

損失函數

sentence_transformers.losses.MSELoss.MSELoss

fit() 方法的參數如下：

{
    "epochs": 1,
    "evaluation_steps": 0,
    "evaluator": "sentence_transformers.evaluation.SequentialEvaluator.SequentialEvaluator",
    "max_grad_norm": 1,
    "optimizer_class": "<class 'torch.optim.adamw.AdamW'>",
    "optimizer_params": {
        "lr": 2e-05
    },
    "scheduler": "WarmupLinear",
    "steps_per_epoch": null,
    "warmup_steps": 500,
    "weight_decay": 0.01
}

完整模型架構

SentenceTransformer(
  (0): Transformer({'max_seq_length': 256, 'do_lower_case': False}) with Transformer model: XLMRobertaModel 
  (1): Pooling({'word_embedding_dimension': 768, 'pooling_mode_cls_token': False, 'pooling_mode_mean_tokens': True, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False})
)

🔧 技術細節

• 教師模型：使用 nuvocare/WikiMedical_sent_biobert 作為教師模型。
• 學生模型：使用 'xlm-roberta-base' 作為學生模型。
• 訓練方法：學生模型根據 sentence transformers 文檔 進行訓練，以在不同語言之間複製嵌入。