Distil Ita Legal Bert

🚀 DISTIL-ITA-LEGAL-BERT

本项目运用知识蒸馏技术，打造了一个仅含 4 层 Transformer 的快速轻量级学生模型。该模型能够生成与更复杂的 ITALIAN-LEGAL-BERT 教师模型相似的句子嵌入。它在 ITALIAN-LEGAL-BERT 训练集（3.7GB）上进行优化，借助 Sentence-BERT 库，通过最小化其嵌入与教师模型嵌入之间的均方误差（MSE）来提升性能。这是一个 sentence-transformers 模型，可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。

🚀 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。

✨ 主要特性

• 运用知识蒸馏技术，构建快速轻量级的学生模型。
• 能够生成与 ITALIAN-LEGAL-BERT 教师模型相似的句子嵌入。
• 基于 Sentence-BERT 库，在 ITALIAN-LEGAL-BERT 训练集上优化。

📦 安装指南

若要使用此模型，需安装 sentence-transformers：

pip install -U sentence-transformers

💻 使用示例

基础用法

from sentence_transformers import SentenceTransformer
sentences = ["This is an example sentence", "Each sentence is converted"]

model = SentenceTransformer('dlicari/distil-ita-legal-bert')
embeddings = model.encode(sentences)
print(embeddings)

高级用法

若未安装 sentence-transformers，可按以下方式使用模型：首先将输入传递给 Transformer 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 = ['This is an example sentence', 'Each sentence is converted']

# Load model from HuggingFace Hub
tokenizer = AutoTokenizer.from_pretrained('dlicari/distil-ita-legal-bert')
model = AutoModel.from_pretrained('dlicari/distil-ita-legal-bert')

# 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

评估结果

若要对该模型进行自动评估，请参考 Sentence Embeddings Benchmark：https://seb.sbert.net

训练

模型训练参数如下： 数据加载器： torch.utils.data.dataloader.DataLoader，长度为 409633，参数如下：

{'batch_size': 24, 'sampler': 'torch.utils.data.sampler.RandomSampler', 'batch_sampler': 'torch.utils.data.sampler.BatchSampler'}

损失函数： sentence_transformers.losses.MSELoss.MSELoss

fit() 方法的参数：

{
    "epochs": 4,
    "evaluation_steps": 5000,
    "evaluator": "sentence_transformers.evaluation.SequentialEvaluator.SequentialEvaluator",
    "max_grad_norm": 1,
    "optimizer_class": "<class 'transformers.optimization.AdamW'>",
    "optimizer_params": {
        "correct_bias": false,
        "eps": 1e-06,
        "lr": 0.0001
    },
    "scheduler": "WarmupLinear",
    "steps_per_epoch": null,
    "warmup_steps": 1000,
    "weight_decay": 0.01
}

完整模型架构

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

🔧 技术细节

本模型通过知识蒸馏技术，从更复杂的 ITALIAN-LEGAL-BERT 教师模型中提取知识，构建了一个轻量级的学生模型。在训练过程中，使用 Sentence-BERT 库，通过最小化学生模型嵌入与教师模型嵌入之间的均方误差（MSE）来优化模型。

📄 许可证

本模型采用 AFL-3.0 许可证。

📋 信息表格