Sbert Large Cased Pl

🚀 SHerbert large - 波蘭語 SentenceBERT

SentenceBERT 是預訓練 BERT 網絡的一種改進，它使用孿生網絡和三元組網絡結構來導出語義上有意義的句子嵌入，這些嵌入可以使用餘弦相似度進行比較。訓練基於原始論文 用於語義文本相似度 (STS) 任務的孿生 BERT 模型，並對訓練數據的使用方式進行了輕微修改。該模型的目標是根據給定文本的語義和主題相似度生成不同的嵌入。

語義文本相似度分析兩個文本片段的相似程度。

在我們的 博客文章 中瞭解更多關於該模型的製備方法。

基礎訓練模型是波蘭語 HerBERT。HerBERT 是一個基於 BERT 的語言模型。更多詳情，請參考：“HerBERT: Efficiently Pretrained Transformer-based Language Model for Polish”。

✨ 主要特性

• 基於 SentenceBERT 架構，能生成語義有意義的句子嵌入。
• 以波蘭語 HerBERT 為基礎訓練模型。
• 可用於句子相似度分析。

📦 安裝指南

文檔未提及安裝步驟，跳過此章節。

💻 使用示例

基礎用法

from transformers import AutoTokenizer, AutoModel
from sklearn.metrics import pairwise

sbert = AutoModel.from_pretrained("Voicelab/sbert-large-cased-pl")
tokenizer = AutoTokenizer.from_pretrained("Voicelab/sbert-large-cased-pl")

s0 = "Uczenie maszynowe jest konsekwencją rozwoju idei sztucznej inteligencji i metod jej wdrażania praktycznego."
s1 = "Głębokie uczenie maszynowe jest sktukiem wdrażania praktycznego metod sztucznej inteligencji oraz jej rozwoju."
s2 = "Kasparow zarzucił firmie IBM oszustwo, kiedy odmówiła mu dostępu do historii wcześniejszych gier Deep Blue. "

tokens = tokenizer([s0, s1, s2], 
                    padding=True, 
                    truncation=True,
                    return_tensors='pt')
x = sbert(tokens["input_ids"],
            tokens["attention_mask"]).pooler_output

# similarity between sentences s0 and s1
print(pairwise.cosine_similarity(x[0], x[1])) # Result: 0.8011128

# similarity between sentences s0 and s2
print(pairwise.cosine_similarity(x[0], x[2])) # Result: 0.58822715

📚 詳細文檔

語料庫

該模型僅在 維基百科 上進行訓練。

分詞器

與原始 HerBERT 實現一樣，訓練數據集使用字符級字節對編碼（CharBPETokenizer）將其分詞為子詞，詞彙表大小為 50k 個標記。分詞器本身使用 tokenizers 庫進行訓練。

我們強烈建議您使用分詞器的快速版本，即 HerbertTokenizerFast。

結果

🔧 技術細節

文檔未提供具體技術細節，跳過此章節。

📄 許可證

CC BY 4.0

📖 引用

如果您使用此模型，請引用以下論文：

👥 作者

該模型由 Voicelab.ai 的 NLP 研究團隊訓練。

您可以 在此 與我們聯繫。