Sentence BERTino V2 Mmarco 4m

🚀 sentence-BERTino-v2-mmarco-4m

这是一个 sentence-transformers 模型，它可以将句子和段落映射到一个 768 维的密集向量空间，可用于聚类或语义搜索等任务。该模型是在约 400 万个 mmarco 示例上对 sentence-BERTino-v2-pt 进行微调得到的。

分别使用 query: 和 passage: 作为问题和文档的前缀标识符。

• 损失函数：MultipleNegativesRankingLoss
• 基础设施：A100 80GB

如果您觉得这个项目有用，不妨支持其开发：

🚀 快速开始

本模型可用于将句子和段落映射到 768 维的密集向量空间，适用于聚类或语义搜索等任务。下面将介绍不同方式下的使用方法。

✨ 主要特性

• 能够将句子和段落映射到 768 维的密集向量空间。
• 适用于聚类或语义搜索等任务。
• 基于约 400 万个 mmarco 示例对 sentence-BERTino-v2-pt 进行微调。

📦 安装指南

若要使用此模型，您需要安装 sentence-transformers：

pip install -U sentence-transformers

💻 使用示例

基础用法（Sentence-Transformers）

当您安装了 sentence-transformers 后，使用该模型会变得很简单：

from sentence_transformers import SentenceTransformer

sentences = [
  "query: Questo è un esempio di frase",
  "passage: Questo è un ulteriore esempio"
]

model = SentenceTransformer('efederici/sentence-BERTino-v2-mmarco-4m')
embeddings = model.encode(sentences)
print(embeddings)

高级用法（HuggingFace Transformers）

如果没有安装 sentence-transformers，您可以按照以下步骤使用该模型：

1. 将输入数据传入 Transformer 模型。
2. 对上下文词嵌入应用正确的池化操作。

from transformers import AutoTokenizer, AutoModel
import torch

def mean_pooling(model_output, attention_mask):
    token_embeddings = model_output[0]
    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 = [
  "query: Questo è un esempio di frase",
  "passage: Questo è un ulteriore esempio"
]

# Load model from HuggingFace Hub
tokenizer = AutoTokenizer.from_pretrained('efederici/sentence-BERTino-v2-mmarco-4m')
model = AutoModel.from_pretrained('efederici/sentence-BERTino-v2-mmarco-4m')

# 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)

🔧 技术细节

完整模型架构

SentenceTransformer(
  (0): Transformer({'max_seq_length': 512, 'do_lower_case': False}) with Transformer model: DistilBertModel 
  (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})
)

📄 许可证

本项目采用 Apache-2.0 许可证。