Semantic Xlmr

🚀 semantic_xlmr

这是一个句子转换器（sentence-transformers）模型，它能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。

🚀 快速开始

本模型可用于语义相似度计算、聚类和语义搜索等任务。如果你安装了sentence-transformers，使用该模型会非常方便。

✨ 主要特性

• 多语言支持：该模型为多语言模型，尤其针对孟加拉语进行了微调。
• 知识蒸馏微调：采用多语言知识蒸馏方法进行微调，以paraphrase-distilroberta-base-v2为教师模型，xlm-roberta-large为学生模型。
• 广泛应用场景：可用于语义相似度计算、聚类、语义搜索、文档检索、信息检索、推荐系统、聊天机器人系统和常见问题解答系统等。

📦 安装指南

若要使用该模型，你需要安装sentence-transformers库：

pip install -U sentence-transformers

💻 使用示例

基础用法

使用sentence-transformers库调用模型：

from sentence_transformers import SentenceTransformer
sentences = ["I sing in bengali", "আমি বাংলায় গান গাই"]

model = SentenceTransformer('headlesstech/semantic_xlmr')
embeddings = model.encode(sentences)
print(embeddings)

高级用法

若未安装sentence-transformers库，可使用HuggingFace Transformers库调用模型：

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 = ["I sing in bengali", "আমি বাংলায় গান গাই"]

# Load model from HuggingFace Hub
tokenizer = AutoTokenizer.from_pretrained('headlesstech/semantic_xlmr')
model = AutoModel.from_pretrained('headlesstech/semantic_xlmr')

# 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)

📚 详细文档

模型详情

训练方法

该模型采用多语言知识蒸馏方法进行微调，以paraphrase-distilroberta-base-v2为教师模型，xlm-roberta-large为学生模型。

预期用途

• 主要用例：语义相似度计算、聚类和语义搜索。
• 潜在用例：文档检索、信息检索、推荐系统、聊天机器人系统和常见问题解答系统。

完整模型架构

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