German Semantic STS V2

🚀 German_Semantic_STS_V2

該模型用於創建適用於語義場景的德語嵌入向量。它能將句子和段落映射到一個1024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

使用sentence-transformers庫

若你已安裝 sentence-transformers，使用此模型將十分便捷：

pip install -U sentence-transformers

然後，你可以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('aari1995/German_Semantic_STS_V2')
embeddings = model.encode(sentences)
print(embeddings)

使用HuggingFace Transformers庫

若未安裝 sentence-transformers，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合適的池化操作。

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('aari1995/German_Semantic_STS_V2')
model = AutoModel.from_pretrained('aari1995/German_Semantic_STS_V2')

# 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)

✨ 主要特性

• 該模型基於 sentence-transformers，可將句子和段落映射到1024維的密集向量空間。
• 適用於聚類、語義搜索等語義相關任務。
• 微調後的模型得分優於其他對比模型。

📦 安裝指南

使用 sentence-transformers 庫時，可通過以下命令進行安裝：

pip install -U sentence-transformers

📚 詳細文檔

評估結果

若要對該模型進行自動評估，請參考 Sentence Embeddings Benchmark：https://seb.sbert.net

訓練

該模型的訓練參數如下：

• 數據加載器（DataLoader）： torch.utils.data.dataloader.DataLoader，長度為1438，參數如下：

  {'batch_size': 4, 'sampler': 'torch.utils.data.sampler.RandomSampler', 'batch_sampler': 'torch.utils.data.sampler.BatchSampler'}
  

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

  {'distance_metric': 'SiameseDistanceMetric.COSINE_DISTANCE', 'margin': 0.5, 'size_average': True}
  

• fit() 方法的參數：

  {
      "epochs": 4,
      "evaluation_steps": 500,
      "evaluator": "sentence_transformers.evaluation.EmbeddingSimilarityEvaluator.EmbeddingSimilarityEvaluator",
      "max_grad_norm": 1,
      "optimizer_class": "<class 'torch.optim.adamw.AdamW'>",
      "optimizer_params": {
          "lr": 5e-06
      },
      "scheduler": "WarmupLinear",
      "steps_per_epoch": null,
      "warmup_steps": 576,
      "weight_decay": 0.01
  }
  

完整模型架構

SentenceTransformer(
  (0): Transformer({'max_seq_length': 512, 'do_lower_case': False}) with Transformer model: BertModel 
  (1): Pooling({'word_embedding_dimension': 1024, '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

該模型創建德語嵌入向量用於語義場景。它將句子和段落映射到1024維的密集向量空間，可用於多種語義相關任務。與其他模型相比，微調後的該模型在某些指標上表現更優。

📄 許可證

文檔中未提及相關許可證信息。

其他信息

• 注意事項：查看我的新的、更新後的模型：German_Semantic_V3 和 V3b！
• 致謝：特別感謝 deepset 提供了模型 gBERT-large，也感謝 Philip May 對數據集的翻譯以及關於該主題的交流。
• 模型對比： | 模型名稱 | 斯皮爾曼係數 | | --- | --- | | xlm-r-distilroberta-base-paraphrase-v1 | 0.8079 | | xlm-r-100langs-bert-base-nli-stsb-mean-tokens | 0.7877 | | xlm-r-bert-base-nli-stsb-mean-tokens | 0.7877 | | roberta-large-nli-stsb-mean-tokens | 0.6371 | | T-Systems-onsite/
  german-roberta-sentence-transformer-v2 | 0.8529 | | paraphrase-multilingual-mpnet-base-v2 | 0.8355 | | T-Systems-onsite/
  cross-en-de-roberta-sentence-transformer | 0.8550 | | aari1995/German_Semantic_STS_V2 | 0.8626 |

📄 引用與作者

• 基礎模型由 deepset 訓練。
• 數據集由 Philip May 發佈/翻譯。
• 模型由 Aaron Chibb 微調。