Turkish Mini Bert Uncased Mean Nli Stsb Tr

🚀 土耳其小寫迷你BERT平均NLI-STSB模型

本項目是一個基於sentence-transformers的模型，它能將句子和段落映射到256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

本模型改編自 ytu-ce-cosmos/turkish-mini-bert-uncased，並在以下數據集上進行了微調：

• nli_tr
• emrecan/stsb-mt-turkish

⚠️ 重要提示

如模型作者 所述，所有文本都需要手動轉換為小寫：

text.replace("I", "ı").lower()

✨ 主要特性

• 支持句子和段落的向量化表示。
• 適用於聚類和語義搜索等任務。

📦 安裝指南

如果你已經安裝了 sentence-transformers，使用本模型會很方便：

pip install -U sentence-transformers

💻 使用示例

基礎用法（Sentence-Transformers）

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

model = SentenceTransformer('atasoglu/turkish-mini-bert-uncased-mean-nli-stsb-tr')
embeddings = model.encode(sentences)
print(embeddings)

高級用法（HuggingFace Transformers）

在沒有安裝 sentence-transformers 的情況下，你可以按以下方式使用該模型：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 dönüştürülür"]

# Load model from HuggingFace Hub
tokenizer = AutoTokenizer.from_pretrained('atasoglu/turkish-mini-bert-uncased-mean-nli-stsb-tr')
model = AutoModel.from_pretrained('atasoglu/turkish-mini-bert-uncased-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

在 STS-b 測試集上取得的結果如下：

Cosine-Similarity :	    Pearson: 0.8117	Spearman: 0.8074
Manhattan-Distance:	    Pearson: 0.8029	Spearman: 0.7972
Euclidean-Distance:	    Pearson: 0.8028	Spearman: 0.7977
Dot-Product-Similarity:	Pearson: 0.7563	Spearman: 0.7435

訓練參數

模型訓練使用的參數如下：

數據加載器： torch.utils.data.dataloader.DataLoader，長度為45，參數如下：

{'batch_size': 128, '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": 10,
    "evaluation_steps": 4,
    "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": 45,
    "weight_decay": 0.01
}

完整模型架構

SentenceTransformer(
  (0): Transformer({'max_seq_length': 256, 'do_lower_case': False}) with Transformer model: BertModel 
  (1): Pooling({'word_embedding_dimension': 256, '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

本模型基於sentence-transformers庫，通過將句子和段落映射到256維的密集向量空間，實現了語義表示。在訓練過程中，使用了特定的數據集和損失函數進行微調，以提高模型在語義相關任務上的性能。

📄 許可證

本項目採用 MIT 許可證。

📋 模型信息表格