Roberta Base Nli Stsb Theseus Bg

🚀 ROBERTA BASE (cased) 在保加利亚语 - 英语私有平行数据上训练的模型

这是一个多语言Roberta模型，可用于创建保加利亚语句子的嵌入表示。该模型借鉴了 Sentence - BERT 的思想，基于翻译后的句子应与原句在向量空间中映射到相同位置的理念进行训练。

此模型区分大小写，例如能区分 “bulgarian” 和 “Bulgarian”。它在保加利亚语 - 英语私有平行数据上进行训练，之后通过 渐进式模块替换 方法进行了压缩。

🚀 快速开始

本模型是一个多语言Roberta模型，可用于创建保加利亚语句子的嵌入表示。它基于翻译后的句子应与原句在向量空间中映射到相同位置的理念进行训练。

✨ 主要特性

• 多语言处理：可用于处理保加利亚语句子。
• 大小写敏感：能够区分大小写，例如 “bulgarian” 和 “Bulgarian” 会被视为不同的内容。
• 训练方式：在保加利亚语 - 英语私有平行数据上训练，并通过渐进式模块替换方法进行压缩。

📦 安装指南

文档中未提及具体安装步骤，可根据使用的深度学习框架（如PyTorch）的常规安装方式进行安装。

💻 使用示例

基础用法

>>> import scipy
>>> import torch
>>> from transformers import AutoModel, AutoTokenizer
>>> 
>>> model = AutoModel.from_pretrained('rmihaylov/roberta-base-nli-stsb-theseus-bg')
>>> tokenizer = AutoTokenizer.from_pretrained('rmihaylov/roberta-base-nli-stsb-theseus-bg')
>>>
>>> def embed(text):
>>>     inputs = tokenizer.encode_plus(text, return_tensors='pt')
>>>     outputs = model(**inputs)
>>>     sequence_output = outputs[0]
>>>     input_mask_expanded = inputs['attention_mask'].unsqueeze(-1).expand(sequence_output.size()).float()
>>>     embeddings = torch.sum(sequence_output * input_mask_expanded, 1) / torch.clamp(input_mask_expanded.sum(1), min=1e-9)
>>>     return embeddings.detach().numpy()[0]
>>> 
>>> 
>>> query_embedding = embed("Какви са съставките на бисквитките?")
>>> 
>>> questions = [
>>>     "Какво е бисквитка?",
>>>     "От какво са направени бисквитките?",
>>>     "Използват ли в Англия думата бисквитки?",
>>>     "Къде се правят бисквитките?",
>>>     "Какви видове бисквитки има?",
>>>     "Къде човек може да купи бисквитки?",
>>>     "Откъде дойде думата бисквитка?",
>>>     "Кое е чудовището на бисквитките?",
>>>     "Как да си направите бисквитки у дома?",
>>>     "Колко калории има типичната бисквитка?",
>>>     "Какви напитки вървят добре с бисквитките?",
>>>     "Бисквитките наричат ли се също сладки?"
>>>     ]
>>> 
>>> corpus, corpus_embeddings = [], []
>>> for question in questions:
>>>     embedding = embed(question)
>>>     corpus.append(question)
>>>     corpus_embeddings.append(embedding)
>>> 
>>> distances = scipy.spatial.distance.cdist([query_embedding], corpus_embeddings, "cosine")[0]
>>> 
>>> results = zip(range(len(distances)), distances)
>>> results = sorted(results, key=lambda x: x[1])
>>> 
>>> print([[corpus[idx].strip(), (1.0 - distance)] for idx, distance in results])

[['От какво са направени бисквитките?', 0.9855158537034977],
 ['Къде се правят бисквитките?', 0.9774093134195002],
 ['Какви видове бисквитки има?', 0.9766014240577192],
 ['Използват ли в Англия думата бисквитки?', 0.9446492058523037],
 ['Кое е чудовището на бисквитките?', 0.9269786184641834],
 ['Къде човек може да купи бисквитки?', 0.9268900421152592],
 ['Какво е бисквитка?', 0.9188155080718263],
 ['Бисквитките наричат ли се също сладки?', 0.9060368627614406],
 ['Откъде дойде думата бисквитка?', 0.9048309659657036],
 ['Какви напитки вървят добре с бисквитките?', 0.890836765118977],
 ['Как да си направите бисквитки у дома?', 0.8878968487540497],
 ['Колко калории има типичната бисквитка?', 0.8652821650136402]]

🔧 技术细节

本模型借鉴了 Sentence - BERT 的思想，基于翻译后的句子应与原句在向量空间中映射到相同位置的理念进行训练。它在保加利亚语 - 英语私有平行数据上进行训练，之后通过 渐进式模块替换 方法进行了压缩。

📄 许可证

本模型使用的许可证为MIT许可证。