Multilingual SimCSE

🚀 多语言SimCSE

多语言SimCSE是一个对比学习模型，通过使用不同语言的平行句子对，将文本映射到相同的向量空间进行预训练，类似于SimCSE模型。

🚀 快速开始

环境准备

首先，你需要安装必要的库，可使用以下命令：

pip install transformers torch

运行示例代码

以下是使用多语言SimCSE模型计算文本相似度的示例代码：

from transformers import AutoModel,AutoTokenizer
import torch
from torch.nn import functional as F

model = AutoModel.from_pretrained('WENGSYX/Multilingual_SimCSE')
tokenizer = AutoTokenizer.from_pretrained('WENGSYX/Multilingual_SimCSE')

word1 = tokenizer('Hello,world.',return_tensors='pt')
word2 = tokenizer('你好,世界',return_tensors='pt')
out1 = model(**word1).last_hidden_state.mean(1)
out2 = model(**word2).last_hidden_state.mean(1)
print(F.cosine_similarity(out1,out2))
----------------------------------------------------
tensor([0.8758], grad_fn=<DivBackward0>)

✨ 主要特性

• 多语言支持：通过使用平行语言对进行训练，能够处理多种语言的文本。
• 对比学习：采用对比学习的方法，将不同语言的文本映射到相同的向量空间，便于跨语言的语义理解。

📦 安装指南

要使用多语言SimCSE模型，你可以使用transformers库进行安装：

pip install transformers

💻 使用示例

基础用法

from transformers import AutoModel,AutoTokenizer
import torch
from torch.nn import functional as F

model = AutoModel.from_pretrained('WENGSYX/Multilingual_SimCSE')
tokenizer = AutoTokenizer.from_pretrained('WENGSYX/Multilingual_SimCSE')

word1 = tokenizer('Hello,world.',return_tensors='pt')
word2 = tokenizer('你好,世界',return_tensors='pt')
out1 = model(**word1).last_hidden_state.mean(1)
out2 = model(**word2).last_hidden_state.mean(1)
print(F.cosine_similarity(out1,out2))

高级用法

以下是训练多语言SimCSE模型的示例代码：

from transformers import AutoModel,AutoTokenizer,AdamW
import torch
from torch.nn import functional as F

model = AutoModel.from_pretrained('WENGSYX/Multilingual_SimCSE')
tokenizer = AutoTokenizer.from_pretrained('WENGSYX/Multilingual_SimCSE')
optimizer = AdamW(model.parameters(),lr=1e-5)

def compute_loss(y_pred, t=0.05, device="cuda"):
    idxs = torch.arange(0, y_pred.shape[0], device=device)
    y_true = idxs + 1 - idxs % 2 * 2
    similarities = F.cosine_similarity(y_pred.unsqueeze(1), y_pred.unsqueeze(0), dim=2)
    similarities = similarities - torch.eye(y_pred.shape[0], device=device) * 1e12
    similarities = similarities / t
    loss = F.cross_entropy(similarities, y_true)
    return torch.mean(loss)
    
wordlist = [['Hello,world','你好,世界'],['Pensa che il bianco rappresenti la purezza.','Он думает, что белые символизируют чистоту.']]

input_ids, attention_mask, token_type_ids = [], [], []
for x in wordlist:
    text1 = tokenizer(x[0], padding='max_length', truncation=True, max_length=512)
    input_ids.append(text1['input_ids'])
    attention_mask.append(text1['attention_mask'])
    text2 = tokenizer(x[1], padding='max_length', truncation=True, max_length=512)
    input_ids.append(text2['input_ids'])
    attention_mask.append(text2['attention_mask'])

input_ids = torch.tensor(input_ids,device=device)
attention_mask = torch.tensor(attention_mask,device=device)

output = model(input_ids=input_ids,attention_mask=attention_mask)
output = output.last_hidden_state.mean(1)
loss = compute_loss(output)
loss.backward()

optimizer.step()
optimizer.zero_grad()

🔧 技术细节

• 预训练模型：使用mDeBERTa模型加载预训练参数。
• 训练数据集：基于CCMatrix数据集进行预训练，训练数据包含1亿个平行对。
• 训练设备：使用4 * 3090进行训练。

📄 信息表格