Bert Base Turkish Cased Mean Nli Stsb Tr

🚀 emrecan/bert-base-turkish-cased-mean-nli-stsb-tr

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。该模型在土耳其机器翻译版本的NLI和STS - b数据集上进行训练，使用了句子转换器GitHub仓库中的示例训练脚本。

🚀 快速开始

✨ 主要特性

• 可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。
• 在土耳其机器翻译版本的NLI和STS - b数据集上训练。

📦 安装指南

如果你安装了sentence-transformers，使用此模型会很容易：

pip install -U sentence-transformers

💻 使用示例

基础用法

使用sentence-transformers库时，你可以这样使用模型：

from sentence_transformers import SentenceTransformer
sentences = ["Bu örnek bir cümle", "Her cümle vektöre çevriliyor"]

model = SentenceTransformer('emrecan/bert-base-turkish-cased-mean-nli-stsb-tr')
embeddings = model.encode(sentences)
print(embeddings)

高级用法

若不使用sentence-transformers库，你可以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 = ["Bu örnek bir cümle", "Her cümle vektöre çevriliyor"]

# Load model from HuggingFace Hub
tokenizer = AutoTokenizer.from_pretrained('emrecan/bert-base-turkish-cased-mean-nli-stsb-tr')
model = AutoModel.from_pretrained('emrecan/bert-base-turkish-cased-mean-nli-stsb-tr')

# 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

测试集和开发集的评估结果如下：

训练

使用训练脚本training_nli_v2.py和training_stsbenchmark_continue_training.py对模型进行训练。

模型训练的参数如下：

数据加载器： torch.utils.data.dataloader.DataLoader，长度为360，参数如下：

{'batch_size': 16, 'sampler': 'torch.utils.data.sampler.RandomSampler', 'batch_sampler': 'torch.utils.data.sampler.BatchSampler'}

损失函数： sentence_transformers.losses.CosineSimilarityLoss.CosineSimilarityLoss

fit()方法的参数：

{
    "epochs": 4,
    "evaluation_steps": 200,
    "evaluator": "sentence_transformers.evaluation.EmbeddingSimilarityEvaluator.EmbeddingSimilarityEvaluator",
    "max_grad_norm": 1,
    "optimizer_class": "<class 'transformers.optimization.AdamW'>",
    "optimizer_params": {
        "lr": 2e-05
    },
    "scheduler": "WarmupLinear",
    "steps_per_epoch": null,
    "warmup_steps": 144,
    "weight_decay": 0.01
}

完整模型架构

SentenceTransformer(
  (0): Transformer({'max_seq_length': 75, '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

该模型基于句子转换器架构，将句子和段落映射到768维的向量空间。通过在土耳其机器翻译版本的NLI和STS - b数据集上训练，使其能够学习到句子之间的语义关系。在训练过程中，使用了余弦相似度损失函数，并结合了AdamW优化器和WarmupLinear调度器，以提高模型的性能。

📄 许可证

本项目采用Apache - 2.0许可证。