Semantic Xlmr

🚀 semantic_xlmr

這是一個句子轉換器（sentence-transformers）模型，它能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

本模型可用於語義相似度計算、聚類和語義搜索等任務。如果你安裝了sentence-transformers，使用該模型會非常方便。

✨ 主要特性

• 多語言支持：該模型為多語言模型，尤其針對孟加拉語進行了微調。
• 知識蒸餾微調：採用多語言知識蒸餾方法進行微調，以paraphrase-distilroberta-base-v2為教師模型，xlm-roberta-large為學生模型。
• 廣泛應用場景：可用於語義相似度計算、聚類、語義搜索、文檔檢索、信息檢索、推薦系統、聊天機器人系統和常見問題解答系統等。

📦 安裝指南

若要使用該模型，你需要安裝sentence-transformers庫：

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 = ["I sing in bengali", "আমি বাংলায় গান গাই"]

model = SentenceTransformer('headlesstech/semantic_xlmr')
embeddings = model.encode(sentences)
print(embeddings)

高級用法

若未安裝sentence-transformers庫，可使用HuggingFace Transformers庫調用模型：

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 = ["I sing in bengali", "আমি বাংলায় গান গাই"]

# Load model from HuggingFace Hub
tokenizer = AutoTokenizer.from_pretrained('headlesstech/semantic_xlmr')
model = AutoModel.from_pretrained('headlesstech/semantic_xlmr')

# 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

模型詳情

訓練方法

該模型採用多語言知識蒸餾方法進行微調，以paraphrase-distilroberta-base-v2為教師模型，xlm-roberta-large為學生模型。

預期用途

• 主要用例：語義相似度計算、聚類和語義搜索。
• 潛在用例：文檔檢索、信息檢索、推薦系統、聊天機器人系統和常見問題解答系統。

完整模型架構

SentenceTransformer(
  (0): Transformer({'max_seq_length': 512, '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})
)