Multilingual En Ru Uk

🚀 uaritm/multilingual_en_ru_uk

這是一個句子轉換器模型，它可以將句子和段落映射到768維的密集向量空間，可用於聚類或語義搜索等任務。

該模型的一個新增了波蘭語支持的新版本可在此處獲取：uaritm/multilingual_en_uk_pl_ru

🚀 快速開始

該模型用於患者投訴的多語言分析資源，以確定在這種情況下所需的醫生專業領域：虛擬全科診所

你可以測試該模型的質量和速度。

✨ 主要特性

• 多語言支持：支持英語（en）、俄語（ru）、烏克蘭語（uk）、波蘭語（pl）等多種語言。
• 應用場景廣泛：可用於聚類、語義搜索以及多語言分析等任務。

📦 安裝指南

如果你安裝了句子轉換器，使用該模型會變得很容易：

pip install -U sentence-transformers

💻 使用示例

基礎用法（Sentence-Transformers）

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

model = SentenceTransformer('uaritm/multilingual_en_ru_uk')
embeddings = model.encode(sentences)
print(embeddings)

高級用法（HuggingFace Transformers）

如果沒有安裝句子轉換器，你可以按以下方式使用該模型：首先，將輸入數據傳入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('uaritm/multilingual_en_ru_uk')
model = AutoModel.from_pretrained('uaritm/multilingual_en_ru_uk')

# 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

關於該模型的自動評估，請參閱 句子嵌入基準測試：https://seb.sbert.net

訓練信息

該模型使用以下參數進行訓練：

數據加載器： torch.utils.data.dataloader.DataLoader，長度為17482，參數如下：

{'batch_size': 128, '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": 15,
    "evaluation_steps": 1000,
    "evaluator": "sentence_transformers.evaluation.SequentialEvaluator.SequentialEvaluator",
    "max_grad_norm": 1,
    "optimizer_class": "<class 'torch.optim.adamw.AdamW'>",
    "optimizer_params": {
        "eps": 1e-06,
        "lr": 2e-05
    },
    "scheduler": "WarmupLinear",
    "steps_per_epoch": null,
    "warmup_steps": 10000,
    "weight_decay": 0.01
}

完整模型架構

SentenceTransformer(
  (0): Transformer({'max_seq_length': 128, '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})
)

🔧 技術細節

該模型基於sentence-transformers庫構建，使用XLMRobertaModel作為Transformer模型，並通過平均池化操作將詞嵌入轉換為句子嵌入。在訓練過程中，使用了MSELoss作為損失函數，並採用了AdamW優化器和WarmupLinear調度器。

📄 許可證

本模型採用Apache 2.0許可證。

📚 引用與作者

@misc{Uaritm,
      title={sentence-transformers: Semantic similarity of medical texts}, 
      author={Vitaliy Ostashko},
      year={2022},
      url={https://aihealth.site},
}

信息表格