Sentence Bert Base Ja Mean Tokens V2

🚀 日本語句子BERT模型（版本2）

這是一個用於日語的Sentence - BERT模型（版本2）。它使用了比版本1更好的損失函數MultipleNegativesRankingLoss進行訓練，是一個改良版本。在內部的非公開數據集上，該模型的精度比版本1高出約1.5 - 2個百分點。

🚀 快速開始

本模型使用了預訓練模型[cl - tohoku/bert - base - japanese - whole - word - masking](https://huggingface.co/cl - tohoku/bert - base - japanese - whole - word - masking)。因此，在執行推理時需要安裝fugashi和ipadic（可使用命令pip install fugashi ipadic進行安裝）。

✨ 主要特性

• 改良版模型：使用了更好的損失函數MultipleNegativesRankingLoss進行訓練，相比版本1精度有所提升。
• 依賴預訓練模型：基於[cl - tohoku/bert - base - japanese - whole - word - masking](https://huggingface.co/cl - tohoku/bert - base - japanese - whole - word - masking)進行訓練。

📦 安裝指南

執行推理前，需要安裝fugashi和ipadic，可使用以下命令進行安裝：

pip install fugashi ipadic

💻 使用示例

基礎用法

from transformers import BertJapaneseTokenizer, BertModel
import torch


class SentenceBertJapanese:
    def __init__(self, model_name_or_path, device=None):
        self.tokenizer = BertJapaneseTokenizer.from_pretrained(model_name_or_path)
        self.model = BertModel.from_pretrained(model_name_or_path)
        self.model.eval()

        if device is None:
            device = "cuda" if torch.cuda.is_available() else "cpu"
        self.device = torch.device(device)
        self.model.to(device)

    def _mean_pooling(self, 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)

    @torch.no_grad()
    def encode(self, sentences, batch_size=8):
        all_embeddings = []
        iterator = range(0, len(sentences), batch_size)
        for batch_idx in iterator:
            batch = sentences[batch_idx:batch_idx + batch_size]

            encoded_input = self.tokenizer.batch_encode_plus(batch, padding="longest", 
                                           truncation=True, return_tensors="pt").to(self.device)
            model_output = self.model(**encoded_input)
            sentence_embeddings = self._mean_pooling(model_output, encoded_input["attention_mask"]).to('cpu')

            all_embeddings.extend(sentence_embeddings)

        # return torch.stack(all_embeddings).numpy()
        return torch.stack(all_embeddings)


MODEL_NAME = "sonoisa/sentence-bert-base-ja-mean-tokens-v2"  # <- v2です。
model = SentenceBertJapanese(MODEL_NAME)

sentences = ["暴走したAI", "暴走した人工知能"]
sentence_embeddings = model.encode(sentences, batch_size=8)

print("Sentence embeddings:", sentence_embeddings)

📚 詳細文檔

舊版本說明

關於舊版本的詳細解說可查看：https://qiita.com/sonoisa/items/1df94d0a98cd4f209051。若將模型名稱替換為"sonoisa/sentence - bert - base - ja - mean - tokens - v2"，則可使用本模型。

📄 許可證

本項目採用CC - BY - SA 4.0許可證。