Slovakbert Skquad Mnlr

🚀 句子轉換器（Sentence Transformers）基於gerulata/slovakbert模型

本項目基於gerulata/slovakbert模型構建了句子轉換器（Sentence Transformers），可用於句子相似度計算和特徵提取等任務，在自然語言處理領域具有廣泛的應用價值。

🚀 快速開始

安裝依賴庫

首先，你需要安裝Sentence Transformers庫：

pip install -U sentence-transformers

加載模型並進行推理

安裝完成後，你可以加載模型並進行推理：

from sentence_transformers import SentenceTransformer

# 從🤗 Hub下載模型
model = SentenceTransformer("sentence_transformers_model_id")
# 進行推理
sentences = [
    'Prvý most cez Zlatý roh nechal vybudovať cisár Justinián I. V roku 1502 vypísal sultán Bajazid II. súťaž na stavbu nového mosta, do ktorej sa prihlásili aj Leonardo da Vinci a Michelangelo Buonarroti, ale z realizácie návrhov nakoniec zišlo. V roku 1863 vznikol druhý, drevený most, ktorý v roku 1875 nahradil železný most, postavený francúzskymi staviteľmi. Štvrtý most postavili Nemci v roku 1912 a slúžil až do roku 1992, kedy bol zničený požiarom. Bolo rozhodnuté o stavbe mosta súčasného, ktorý vybudovala domáca firma STFA Group.',
    'V ktorom roku vznikol druhý drevený most cez záliv Zlatý roh ?',
    'Aká je priemerná dĺžka života v Eritrei ?',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 768]

# 獲取嵌入向量的相似度分數
similarities = model.similarity(embeddings, embeddings)
print(similarities.shape)
# [3, 3]

✨ 主要特性

• 基於預訓練模型：以gerulata/slovakbert為基礎模型，充分利用了預訓練模型的語言理解能力。
• 多任務支持：可用於句子相似度計算、特徵提取等多種自然語言處理任務。
• 高效訓練：採用MultipleNegativesRankingLoss損失函數，提高了訓練效率和模型性能。

📦 安裝指南

安裝Sentence Transformers庫：

pip install -U sentence-transformers

💻 使用示例

基礎用法

from sentence_transformers import SentenceTransformer

# 從🤗 Hub下載模型
model = SentenceTransformer("sentence_transformers_model_id")
# 進行推理
sentences = [
    'Prvý most cez Zlatý roh nechal vybudovať cisár Justinián I. V roku 1502 vypísal sultán Bajazid II. súťaž na stavbu nového mosta, do ktorej sa prihlásili aj Leonardo da Vinci a Michelangelo Buonarroti, ale z realizácie návrhov nakoniec zišlo. V roku 1863 vznikol druhý, drevený most, ktorý v roku 1875 nahradil železný most, postavený francúzskymi staviteľmi. Štvrtý most postavili Nemci v roku 1912 a slúžil až do roku 1992, kedy bol zničený požiarom. Bolo rozhodnuté o stavbe mosta súčasného, ktorý vybudovala domáca firma STFA Group.',
    'V ktorom roku vznikol druhý drevený most cez záliv Zlatý roh ?',
    'Aká je priemerná dĺžka života v Eritrei ?',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 768]

# 獲取嵌入向量的相似度分數
similarities = model.similarity(embeddings, embeddings)
print(similarities.shape)
# [3, 3]

📚 詳細文檔

模型詳情

完整模型架構

SentenceTransformer(
  (0): Transformer({'max_seq_length': 300, 'do_lower_case': False}) with Transformer model: RobertaModel 
  (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, 'pooling_mode_weightedmean_tokens': False, 'pooling_mode_lasttoken': False, 'include_prompt': True})
)

訓練詳情

訓練數據集

• 數據集名稱：未命名數據集
• 數據集大小：65,699 個訓練樣本
• 數據集列：sentence_0、sentence_1 和 sentence_2
• 損失函數：MultipleNegativesRankingLoss，參數如下：

  {
      "scale": 20.0,
      "similarity_fct": "cos_sim"
  }
  

訓練超參數

非默認超參數

• per_device_train_batch_size: 16
• per_device_eval_batch_size: 16
• num_train_epochs: 1
• fp16: True
• multi_dataset_batch_sampler: round_robin

訓練日誌

框架版本

• Python: 3.10.8
• Sentence Transformers: 3.0.1
• Transformers: 4.41.2
• PyTorch: 1.13.1
• Accelerate: 0.31.0
• Datasets: 2.19.1
• Tokenizers: 0.19.1

🔧 技術細節

本模型基於gerulata/slovakbert預訓練模型，通過Sentence Transformers庫進行微調。在訓練過程中，使用了MultipleNegativesRankingLoss損失函數，該函數可以有效地提高模型在句子相似度計算任務上的性能。同時，採用了一些非默認的超參數，如per_device_train_batch_size、num_train_epochs等，以優化訓練效果。

📄 許可證

本項目的許可證信息未在文檔中明確提及。

📖 引用

BibTeX

句子轉換器（Sentence Transformers）

@inproceedings{reimers-2019-sentence-bert,
    title = "Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks",
    author = "Reimers, Nils and Gurevych, Iryna",
    booktitle = "Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing",
    month = "11",
    year = "2019",
    publisher = "Association for Computational Linguistics",
    url = "https://arxiv.org/abs/1908.10084",
}

多負排名損失（MultipleNegativesRankingLoss）

@misc{henderson2017efficient,
    title={Efficient Natural Language Response Suggestion for Smart Reply}, 
    author={Matthew Henderson and Rami Al-Rfou and Brian Strope and Yun-hsuan Sung and Laszlo Lukacs and Ruiqi Guo and Sanjiv Kumar and Balint Miklos and Ray Kurzweil},
    year={2017},
    eprint={1705.00652},
    archivePrefix={arXiv},
    primaryClass={cs.CL}
}