Distil Ita Legal Bert

🚀 DISTIL-ITA-LEGAL-BERT

本項目運用知識蒸餾技術，打造了一個僅含 4 層 Transformer 的快速輕量級學生模型。該模型能夠生成與更復雜的 ITALIAN-LEGAL-BERT 教師模型相似的句子嵌入。它在 ITALIAN-LEGAL-BERT 訓練集（3.7GB）上進行優化，藉助 Sentence-BERT 庫，通過最小化其嵌入與教師模型嵌入之間的均方誤差（MSE）來提升性能。這是一個 sentence-transformers 模型，可將句子和段落映射到 768 維的密集向量空間，適用於聚類或語義搜索等任務。

🚀 快速開始

本模型可用於將句子和段落映射到 768 維的密集向量空間，適用於聚類或語義搜索等任務。

✨ 主要特性

• 運用知識蒸餾技術，構建快速輕量級的學生模型。
• 能夠生成與 ITALIAN-LEGAL-BERT 教師模型相似的句子嵌入。
• 基於 Sentence-BERT 庫，在 ITALIAN-LEGAL-BERT 訓練集上優化。

📦 安裝指南

若要使用此模型，需安裝 sentence-transformers：

pip install -U sentence-transformers

💻 使用示例

基礎用法

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

model = SentenceTransformer('dlicari/distil-ita-legal-bert')
embeddings = model.encode(sentences)
print(embeddings)

高級用法

若未安裝 sentence-transformers，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('dlicari/distil-ita-legal-bert')
model = AutoModel.from_pretrained('dlicari/distil-ita-legal-bert')

# 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評估，請參考 Sentence Embeddings Benchmark：https://seb.sbert.net

訓練

模型訓練參數如下： 數據加載器： torch.utils.data.dataloader.DataLoader，長度為 409633，參數如下：

{'batch_size': 24, '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：

{
    "epochs": 4,
    "evaluation_steps": 5000,
    "evaluator": "sentence_transformers.evaluation.SequentialEvaluator.SequentialEvaluator",
    "max_grad_norm": 1,
    "optimizer_class": "<class 'transformers.optimization.AdamW'>",
    "optimizer_params": {
        "correct_bias": false,
        "eps": 1e-06,
        "lr": 0.0001
    },
    "scheduler": "WarmupLinear",
    "steps_per_epoch": null,
    "warmup_steps": 1000,
    "weight_decay": 0.01
}

完整模型架構

SentenceTransformer(
  (0): Transformer({'max_seq_length': 512, 'do_lower_case': False}) with Transformer model: BertModel 
  (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

本模型通過知識蒸餾技術，從更復雜的 ITALIAN-LEGAL-BERT 教師模型中提取知識，構建了一個輕量級的學生模型。在訓練過程中，使用 Sentence-BERT 庫，通過最小化學生模型嵌入與教師模型嵌入之間的均方誤差（MSE）來優化模型。

📄 許可證

本模型採用 AFL-3.0 許可證。

📋 信息表格