🚀 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
def mean_pooling(model_output, attention_mask):
token_embeddings = model_output[0]
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 = ['This is an example sentence', 'Each sentence is converted']
tokenizer = AutoTokenizer.from_pretrained('uaritm/multilingual_en_ru_uk')
model = AutoModel.from_pretrained('uaritm/multilingual_en_ru_uk')
encoded_input = tokenizer(sentences, padding=True, truncation=True, return_tensors='pt')
with torch.no_grad():
model_output = model(**encoded_input)
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
屬性 |
詳情 |
模型類型 |
句子轉換器模型 |
訓練數據 |
ted_multi、Helsinki-NLP/tatoeba_mt |
支持語言 |
英語(en)、俄語(ru)、烏克蘭語(uk)、波蘭語(pl) |
評估指標 |
均方誤差(mse) |
庫名稱 |
sentence-transformers |
許可證 |
Apache 2.0 |