Sbert Jsnli Luke Japanese Base Lite

🚀 sbert-jsnli-luke-japanese-base-lite

這是一個 sentence-transformers 模型，它可以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。

🚀 快速開始

本模型可通過兩種方式使用，下面為你詳細介紹。

📦 安裝指南

若要使用此模型，你需要安裝 sentence-transformers：

pip install -U sentence-transformers

💻 使用示例

基礎用法（Sentence-Transformers）

安裝好 sentence-transformers 後，你可以按以下方式使用該模型：

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

model = SentenceTransformer('oshizo/sbert-jsnli-luke-japanese-base-lite')
embeddings = model.encode(sentences)
print(embeddings)

高級用法（HuggingFace Transformers）

若未安裝 sentence-transformers，你可以按以下步驟使用該模型：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('oshizo/sbert-jsnli-luke-japanese-base-lite')
model = AutoModel.from_pretrained('oshizo/sbert-jsnli-luke-japanese-base-lite')

# 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：通過 JSTS 和 JSICK 進行評估的結果可在 此處 查看。
• 訓練信息：訓練腳本可在 此倉庫 中獲取。該模型在 Google Colab Pro A100 上訓練了 1 個輪次，大約耗時 40 分鐘。

📄 許可證

本模型採用 Apache-2.0 許可證。

信息表格