Minilm L6 Danish Encoder

🚀 MiniLM-L6-danish-encoder

這是一個輕量級（約2200萬個參數）的丹麥語自然語言處理 sentence-transformers 模型。它能將句子和段落映射到一個384維的密集向量空間，可用於聚類或語義搜索等任務。

最大序列長度為512個標記。該模型並非從頭開始預訓練，而是基於英文版本的 sentence-transformers/all-MiniLM-L6-v2 ，使用 丹麥語分詞器 進行了調整。

該模型在從英文機器翻譯為丹麥語的ELI5和SQUAD數據上進行了訓練。

⚠️ 重要提示

有新版本可用，在更多數據上進行了訓練，其他方面與 KennethTM/MiniLM-L6-danish-encoder-v2 相同。

🚀 快速開始

📦 安裝指南

若要使用該模型，你需要安裝 sentence-transformers：

pip install -U sentence-transformers

💻 使用示例

基礎用法（Sentence-Transformers）

安裝 sentence-transformers 後，使用該模型變得十分簡單：

from sentence_transformers import SentenceTransformer
sentences = ["Kører der cykler på vejen?", "En panda løber på vejen.", "En mand kører hurtigt forbi på cykel."]

model = SentenceTransformer('KennethTM/MiniLM-L6-danish-encoder')
embeddings = model.encode(sentences)
print(embeddings)

高級用法（HuggingFace Transformers）

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正確的池化操作。

from transformers import AutoTokenizer, AutoModel
import torch
import torch.nn.functional as F

#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 = ["Kører der cykler på vejen?", "En panda løber på vejen.", "En mand kører hurtigt forbi på cykel."]

# Load model from HuggingFace Hub
tokenizer = AutoTokenizer.from_pretrained('KennethTM/MiniLM-L6-danish-encoder')
model = AutoModel.from_pretrained('KennethTM/MiniLM-L6-danish-encoder')

# 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
sentence_embeddings = mean_pooling(model_output, encoded_input['attention_mask'])

# Normalize embeddings
sentence_embeddings = F.normalize(sentence_embeddings, p=2, dim=1)

print("Sentence embeddings:")
print(sentence_embeddings)

📄 許可證

本項目採用MIT許可證。

📋 模型信息