Bert Base Turkish Cased Mean Nli Stsb Tr

🚀 emrecan/bert-base-turkish-cased-mean-nli-stsb-tr

這是一個句子轉換器模型，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。該模型在土耳其機器翻譯版本的NLI和STS - b數據集上進行訓練，使用了句子轉換器GitHub倉庫中的示例訓練腳本。

🚀 快速開始

✨ 主要特性

• 可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。
• 在土耳其機器翻譯版本的NLI和STS - b數據集上訓練。

📦 安裝指南

如果你安裝了sentence-transformers，使用此模型會很容易：

pip install -U sentence-transformers

💻 使用示例

基礎用法

使用sentence-transformers庫時，你可以這樣使用模型：

from sentence_transformers import SentenceTransformer
sentences = ["Bu örnek bir cümle", "Her cümle vektöre çevriliyor"]

model = SentenceTransformer('emrecan/bert-base-turkish-cased-mean-nli-stsb-tr')
embeddings = model.encode(sentences)
print(embeddings)

高級用法

若不使用sentence-transformers庫，你可以按以下方式使用模型：首先，將輸入傳遞給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 = ["Bu örnek bir cümle", "Her cümle vektöre çevriliyor"]

# Load model from HuggingFace Hub
tokenizer = AutoTokenizer.from_pretrained('emrecan/bert-base-turkish-cased-mean-nli-stsb-tr')
model = AutoModel.from_pretrained('emrecan/bert-base-turkish-cased-mean-nli-stsb-tr')

# 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

測試集和開發集的評估結果如下：

訓練

使用訓練腳本training_nli_v2.py和training_stsbenchmark_continue_training.py對模型進行訓練。

模型訓練的參數如下：

數據加載器： torch.utils.data.dataloader.DataLoader，長度為360，參數如下：

{'batch_size': 16, 'sampler': 'torch.utils.data.sampler.RandomSampler', 'batch_sampler': 'torch.utils.data.sampler.BatchSampler'}

損失函數： sentence_transformers.losses.CosineSimilarityLoss.CosineSimilarityLoss

fit()方法的參數：

{
    "epochs": 4,
    "evaluation_steps": 200,
    "evaluator": "sentence_transformers.evaluation.EmbeddingSimilarityEvaluator.EmbeddingSimilarityEvaluator",
    "max_grad_norm": 1,
    "optimizer_class": "<class 'transformers.optimization.AdamW'>",
    "optimizer_params": {
        "lr": 2e-05
    },
    "scheduler": "WarmupLinear",
    "steps_per_epoch": null,
    "warmup_steps": 144,
    "weight_decay": 0.01
}

完整模型架構

SentenceTransformer(
  (0): Transformer({'max_seq_length': 75, 'do_lower_case': False}) with Transformer model: BertModel 
  (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})
)

🔧 技術細節

該模型基於句子轉換器架構，將句子和段落映射到768維的向量空間。通過在土耳其機器翻譯版本的NLI和STS - b數據集上訓練，使其能夠學習到句子之間的語義關係。在訓練過程中，使用了餘弦相似度損失函數，並結合了AdamW優化器和WarmupLinear調度器，以提高模型的性能。

📄 許可證

本項目採用Apache - 2.0許可證。