St Greek Media Longformer 4096

🚀 希臘媒體SLF（句子長序列Transformer）

這是一個基於希臘媒體長序列Transformer模型的句子Transformer：它將句子和段落映射到一個768維的密集向量空間，可用於聚類或語義搜索等任務。

🚀 快速開始

✨ 主要特性

• 支持希臘語，基於希臘媒體長序列Transformer模型。
• 能夠將句子和段落映射到768維的密集向量空間。
• 可用於聚類、語義搜索等任務。

📦 安裝指南

若要使用該模型，需先安裝sentence-transformers：

pip install -U sentence-transformers

💻 使用示例

基礎用法

使用sentence-transformers庫調用模型：

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

model = SentenceTransformer('dimitriz/st-greek-media-longformer-4096')
embeddings = model.encode(sentences)
print(embeddings)

高級用法

若未安裝sentence-transformers庫，可按以下方式使用模型：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('dimitriz/st-greek-media-longformer-4096')
model = AutoModel.from_pretrained('dimitriz/st-greek-media-longformer-4096')

# 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

若要對該模型進行自動化評估，請參考 句子嵌入基準測試：https://seb.sbert.net

訓練過程

該模型在一個自定義數據集上進行訓練，該數據集包含來自希臘“互聯網”、“社交媒體”和“新聞”領域的三元組，相關內容在論文DACL中有詳細描述。

• 數據集通過從同一領域中採樣句子三元組創建，其中前兩個句子比第三個句子更相似。
• 訓練目標是最大化前兩個句子之間的相似度，並最小化第一個和第三個句子之間的相似度。
• 模型訓練了3個epoch，批次大小為2，最大序列長度為4096個標記。
• 模型在單個擁有48GB內存的NVIDIA RTX A6000 GPU上進行訓練。

模型訓練使用的參數如下： 數據加載器： torch.utils.data.dataloader.DataLoader，長度為172897，參數如下：

{'batch_size': 1, 'sampler': 'torch.utils.data.sampler.RandomSampler', 'batch_sampler': 'torch.utils.data.sampler.BatchSampler'}

損失函數： sentence_transformers.losses.TripletLoss.TripletLoss，參數如下：

{'distance_metric': 'TripletDistanceMetric.EUCLIDEAN', 'triplet_margin': 5}

fit()方法的參數：

{
    "epochs": 3,
    "evaluation_steps": 1000,
    "evaluator": "sentence_transformers.evaluation.TripletEvaluator.TripletEvaluator",
    "max_grad_norm": 1,
    "optimizer_class": "<class 'torch.optim.adamw.AdamW'>",
    "optimizer_params": {
        "lr": 2e-05
    },
    "scheduler": "WarmupLinear",
    "steps_per_epoch": null,
    "warmup_steps": 17290,
    "weight_decay": 0.01
}

🔧 技術細節

完整模型架構

SentenceTransformer(
  (0): Transformer({'max_seq_length': 4096, 'do_lower_case': False}) with Transformer model: LongformerModel
  (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})
)

📄 許可證

引用與作者

該模型隨論文 "From Pre-training to Meta-Learning: A journey in Low-Resource-Language Representation Learning" 正式發佈。作者為Dimitrios Zaikis和Ioannis Vlahavas，發表於IEEE Access。

如果使用該模型，請引用以下內容：

@ARTICLE{10288436,
    author =  {Zaikis, Dimitrios and Vlahavas, Ioannis},
    journal = {IEEE Access},
    title =   {From Pre-training to Meta-Learning: A journey in Low-Resource-Language Representation Learning},
    year =    {2023},
    volume =  {},
    number =  {},
    pages =   {1-1},
    doi =     {10.1109/ACCESS.2023.3326337}
  }

信息表格