Sapbert Mnli Snli Scinli Scitail Mednli Stsb

🚀 pritamdeka/SapBERT-mnli-snli-scinli-scitail-mednli-stsb

這是一個 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。該模型在 SNLI、MNLI、SCINLI、SCITAIL、MEDNLI 和 STSB 數據集上進行了訓練，以提供穩健的句子嵌入。

🚀 快速開始

✨ 主要特性

• 基於 sentence-transformers，可將句子和段落映射到 768 維的密集向量空間。
• 經過多數據集訓練，能提供穩健的句子嵌入，適用於聚類、語義搜索等任務。

📦 安裝指南

若要使用此模型，需先安裝 sentence-transformers：

pip install -U sentence-transformers

💻 使用示例

基礎用法

使用 sentence-transformers 庫時，使用此模型十分簡單：

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

model = SentenceTransformer('pritamdeka/SapBERT-mnli-snli-scinli-scitail-mednli-stsb')
embeddings = model.encode(sentences)
print(embeddings)

高級用法

若未安裝 sentence-transformers，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('pritamdeka/SapBERT-mnli-snli-scinli-scitail-mednli-stsb')
model = AutoModel.from_pretrained('pritamdeka/SapBERT-mnli-snli-scinli-scitail-mednli-stsb')

# 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

訓練信息

該模型的訓練參數如下：

• 數據加載器（DataLoader）： torch.utils.data.dataloader.DataLoader，長度為 90，參數如下：

  {'batch_size': 64, 'sampler': 'torch.utils.data.sampler.RandomSampler', 'batch_sampler': 'torch.utils.data.sampler.BatchSampler'}
  

• 損失函數（Loss）： sentence_transformers.losses.CosineSimilarityLoss.CosineSimilarityLoss
• fit() 方法的參數：

  {
      "epochs": 4,
      "evaluation_steps": 1000,
      "evaluator": "sentence_transformers.evaluation.EmbeddingSimilarityEvaluator.EmbeddingSimilarityEvaluator",
      "max_grad_norm": 1,
      "optimizer_class": "<class 'transformers.optimization.AdamW'>",
      "optimizer_params": {
          "lr": 2e-05
      },
      "scheduler": "WarmupLinear",
      "steps_per_epoch": null,
      "warmup_steps": 36,
      "weight_decay": 0.01
  }
  

完整模型架構

SentenceTransformer(
  (0): Transformer({'max_seq_length': 100, '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})
)

📄 許可證

文檔未提及許可證相關信息。

🔗 引用與作者

如果您使用了該模型，請引用以下文獻：

@inproceedings{deka2022evidence,
  title={Evidence Extraction to Validate Medical Claims in Fake News Detection},
  author={Deka, Pritam and Jurek-Loughrey, Anna and others},
  booktitle={International Conference on Health Information Science},
  pages={3--15},
  year={2022},
  organization={Springer}
}