Polish Sts V2

🚀 radlab/polish-sts-v2

这是一个句子转换器模型，它可以将句子和段落映射到一个 1024 维的密集向量空间，可用于聚类或语义搜索等任务。

该模型使用了 sdadas/polish-roberta-large-v2 作为基础模型。

此模型已弃用，并已被 radlab/polish-bi-encoder-mean 取代。

🚀 快速开始

本模型可以通过 sentence-transformers 或者 HuggingFace Transformers 两种方式使用。

✨ 主要特性

• 向量映射：能够将句子和段落映射到 1024 维的密集向量空间。
• 多任务支持：可用于聚类、语义搜索等多种自然语言处理任务。

📦 安装指南

若要使用 sentence-transformers 来使用该模型，需要先安装 sentence-transformers：

pip install -U sentence-transformers

💻 使用示例

基础用法（Sentence-Transformers）

from sentence_transformers import SentenceTransformer
sentences = ["Ala ma kota", "Ala ma psa"]

model = SentenceTransformer('radlab/polish-sts-v2')
embeddings = model.encode(sentences)
print(embeddings)

高级用法（HuggingFace Transformers）

如果不使用 sentence-transformers，可以按以下方式使用该模型：首先将输入传递给变压器模型，然后对上下文词嵌入应用正确的池化操作。

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 = ['Ala ma kota', 'Ala ma psa']

# Load model from HuggingFace Hub
tokenizer = AutoTokenizer.from_pretrained('radlab/polish-sts-v2')
model = AutoModel.from_pretrained('radlab/polish-sts-v2')

# 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

训练参数

该模型使用以下参数进行训练：

数据加载器

torch.utils.data.dataloader.DataLoader，长度为 8225，参数如下：

{'batch_size': 8, 'sampler': 'torch.utils.data.sampler.RandomSampler', 'batch_sampler': 'torch.utils.data.sampler.BatchSampler'}

损失函数

sentence_transformers.losses.CosineSimilarityLoss.CosineSimilarityLoss

拟合方法参数

{
    "epochs": 5,
    "evaluation_steps": 250,
    "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": 4113,
    "weight_decay": 0.01
}

完整模型架构

SentenceTransformer(
  (0): Transformer({'max_seq_length': 514, 'do_lower_case': False}) with Transformer model: RobertaModel 
  (1): Pooling({'word_embedding_dimension': 1024, '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 CC BY-SA 4.0 许可证。