Robbert 2022 Dutch Sentence Transformers

🚀 robbert-2022-dutch-sentence-transformers

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。該模型基於 KU Leuven 的 RobBERT 模型，並在 Paraphrase 數據集 上進行了微調，此數據集已被機器翻譯成荷蘭語。Paraphrase 數據集由多個包含相似文本對的數據集組成，例如論壇上的重複問題。我們已在 Huggingface 頁面上發佈了用於訓練該模型的翻譯後數據。

🚀 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、語義搜索等任務。

✨ 主要特性

• 基於 KU Leuven 的 RobBERT 模型 構建。
• 在機器翻譯成荷蘭語的 Paraphrase 數據集 上進行了微調。

📦 安裝指南

若要使用該模型，需安裝 sentence-transformers：

pip install -U sentence-transformers

💻 使用示例

基礎用法（Sentence-Transformers）

安裝 sentence-transformers 後，可按如下方式使用該模型：

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

model = SentenceTransformer('NetherlandsForensicInstitute/robbert-2022-dutch-sentence-transformers')
embeddings = model.encode(sentences)
print(embeddings)

高級用法（HuggingFace Transformers）

若未安裝 sentence-transformers，可按以下步驟使用該模型：首先將輸入傳遞給變壓器模型，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('NetherlandsForensicInstitute/robbert-2022-dutch-sentence-transformers')
model = AutoModel.from_pretrained('NetherlandsForensicInstitute/robbert-2022-dutch-sentence-transformers')

# 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)

🔧 技術細節

訓練參數

該模型使用以下參數進行訓練：

數據加載器（DataLoader）： MultiDatasetDataLoader.MultiDatasetDataLoader，長度為 414262，參數如下：

{'batch_size': 1}

損失函數（Loss）： sentence_transformers.losses.MultipleNegativesRankingLoss.MultipleNegativesRankingLoss，參數如下：

{'scale': 20.0, 'similarity_fct': 'cos_sim'}

fit() 方法的參數：

{
    "epochs": 1,
    "evaluation_steps": 50000,
    "evaluator": "sentence_transformers.evaluation.EmbeddingSimilarityEvaluator.EmbeddingSimilarityEvaluator",
    "max_grad_norm": 1,
    "optimizer_class": "<class 'torch.optim.adamw.AdamW'>",
    "optimizer_params": {
        "lr": 2e-05
    },
    "scheduler": "WarmupLinear",
    "steps_per_epoch": null,
    "warmup_steps": 500,
    "weight_decay": 0.01
}

完整模型架構

SentenceTransformer(
  (0): Transformer({'max_seq_length': 128, 'do_lower_case': False}) with Transformer model: RobertaModel 
  (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

本模型採用 apache-2.0 許可證。

🔍 其他信息

數據集

本模型在以下數據集上進行訓練：

• NetherlandsForensicInstitute/AllNLI-translated-nl
• NetherlandsForensicInstitute/altlex-translated-nl
• NetherlandsForensicInstitute/coco-captions-translated-nl
• NetherlandsForensicInstitute/flickr30k-captions-translated-nl
• NetherlandsForensicInstitute/msmarco-translated-nl
• NetherlandsForensicInstitute/quora-duplicates-translated-nl
• NetherlandsForensicInstitute/sentence-compression-translated-nl
• NetherlandsForensicInstitute/simplewiki-translated-nl
• NetherlandsForensicInstitute/stackexchange-duplicate-questions-translated-nl
• NetherlandsForensicInstitute/wiki-atomic-edits-translated-nl

引用與作者

若要引用此模型，請點擊頁面右上角的三個點，然後點擊“引用此模型”。