Robbert 2022 Dutch Sentence Transformers

🚀 robbert-2022-dutch-sentence-transformers

这是一个 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。该模型基于 KU Leuven 的 RobBERT 模型，并在 Paraphrase 数据集 上进行了微调，此数据集已被机器翻译成荷兰语。Paraphrase 数据集由多个包含相似文本对的数据集组成，例如论坛上的重复问题。我们已在 Huggingface 页面上发布了用于训练该模型的翻译后数据。

🚀 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、语义搜索等任务。

✨ 主要特性

• 基于 KU Leuven 的 RobBERT 模型 构建。
• 在机器翻译成荷兰语的 Paraphrase 数据集 上进行了微调。

📦 安装指南

若要使用该模型，需安装 sentence-transformers：

pip install -U sentence-transformers

💻 使用示例

基础用法（Sentence-Transformers）

安装 sentence-transformers 后，可按如下方式使用该模型：

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

model = SentenceTransformer('NetherlandsForensicInstitute/robbert-2022-dutch-sentence-transformers')
embeddings = model.encode(sentences)
print(embeddings)

高级用法（HuggingFace Transformers）

若未安装 sentence-transformers，可按以下步骤使用该模型：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 = ['This is an example sentence', 'Each sentence is converted']

# Load model from HuggingFace Hub
tokenizer = AutoTokenizer.from_pretrained('NetherlandsForensicInstitute/robbert-2022-dutch-sentence-transformers')
model = AutoModel.from_pretrained('NetherlandsForensicInstitute/robbert-2022-dutch-sentence-transformers')

# 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（DataLoader）： MultiDatasetDataLoader.MultiDatasetDataLoader，长度为 414262，参数如下：

{'batch_size': 1}

损失函数（Loss）： sentence_transformers.losses.MultipleNegativesRankingLoss.MultipleNegativesRankingLoss，参数如下：

{'scale': 20.0, 'similarity_fct': 'cos_sim'}

fit() 方法的参数：

{
    "epochs": 1,
    "evaluation_steps": 50000,
    "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": 500,
    "weight_decay": 0.01
}

完整模型架构

SentenceTransformer(
  (0): Transformer({'max_seq_length': 128, 'do_lower_case': False}) with Transformer model: RobertaModel 
  (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

本模型采用 apache-2.0 许可证。

🔍 其他信息

数据集

本模型在以下数据集上进行训练：

• NetherlandsForensicInstitute/AllNLI-translated-nl
• NetherlandsForensicInstitute/altlex-translated-nl
• NetherlandsForensicInstitute/coco-captions-translated-nl
• NetherlandsForensicInstitute/flickr30k-captions-translated-nl
• NetherlandsForensicInstitute/msmarco-translated-nl
• NetherlandsForensicInstitute/quora-duplicates-translated-nl
• NetherlandsForensicInstitute/sentence-compression-translated-nl
• NetherlandsForensicInstitute/simplewiki-translated-nl
• NetherlandsForensicInstitute/stackexchange-duplicate-questions-translated-nl
• NetherlandsForensicInstitute/wiki-atomic-edits-translated-nl

引用与作者

若要引用此模型，请点击页面右上角的三个点，然后点击“引用此模型”。