Turkish Mini Bert Uncased Mean Nli Stsb Tr

🚀 土耳其小写迷你BERT平均NLI-STSB模型

本项目是一个基于sentence-transformers的模型，它能将句子和段落映射到256维的密集向量空间，可用于聚类或语义搜索等任务。

🚀 快速开始

本模型改编自 ytu-ce-cosmos/turkish-mini-bert-uncased，并在以下数据集上进行了微调：

• nli_tr
• emrecan/stsb-mt-turkish

⚠️ 重要提示

如模型作者 所述，所有文本都需要手动转换为小写：

text.replace("I", "ı").lower()

✨ 主要特性

• 支持句子和段落的向量化表示。
• 适用于聚类和语义搜索等任务。

📦 安装指南

如果你已经安装了 sentence-transformers，使用本模型会很方便：

pip install -U sentence-transformers

💻 使用示例

基础用法（Sentence-Transformers）

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

model = SentenceTransformer('atasoglu/turkish-mini-bert-uncased-mean-nli-stsb-tr')
embeddings = model.encode(sentences)
print(embeddings)

高级用法（HuggingFace Transformers）

在没有安装 sentence-transformers 的情况下，你可以按以下方式使用该模型：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 dönüştürülür"]

# Load model from HuggingFace Hub
tokenizer = AutoTokenizer.from_pretrained('atasoglu/turkish-mini-bert-uncased-mean-nli-stsb-tr')
model = AutoModel.from_pretrained('atasoglu/turkish-mini-bert-uncased-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

在 STS-b 测试集上取得的结果如下：

Cosine-Similarity :	    Pearson: 0.8117	Spearman: 0.8074
Manhattan-Distance:	    Pearson: 0.8029	Spearman: 0.7972
Euclidean-Distance:	    Pearson: 0.8028	Spearman: 0.7977
Dot-Product-Similarity:	Pearson: 0.7563	Spearman: 0.7435

训练参数

模型训练使用的参数如下：

数据加载器： torch.utils.data.dataloader.DataLoader，长度为45，参数如下：

{'batch_size': 128, '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": 10,
    "evaluation_steps": 4,
    "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": 45,
    "weight_decay": 0.01
}

完整模型架构

SentenceTransformer(
  (0): Transformer({'max_seq_length': 256, 'do_lower_case': False}) with Transformer model: BertModel 
  (1): Pooling({'word_embedding_dimension': 256, '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

本模型基于sentence-transformers库，通过将句子和段落映射到256维的密集向量空间，实现了语义表示。在训练过程中，使用了特定的数据集和损失函数进行微调，以提高模型在语义相关任务上的性能。

📄 许可证

本项目采用 MIT 许可证。

📋 模型信息表格