pipeline_tag: 句子相似度 tags:

• 句子转换器
• 特征提取
• 句子相似度
• 转换器 license: mit datasets:
• stsb_multi_mt language:
• 意大利语 library_name: sentence-transformers

sentence-bert-base-italian-xxl-cased

这是一个sentence-transformers模型：它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dbmdz/bert-base-italian-xxl-uncased，更多信息请查看其模型卡片。

使用方法（Sentence-Transformers）

安装sentence-transformers后，使用此模型非常简单：

pip install -U sentence-transformers

然后可以按如下方式使用模型：

from sentence_transformers import SentenceTransformer
sentences = ["一个女孩正在整理头发。", "一个女孩正在梳头发。"]

model = SentenceTransformer('nickprock/sentence-bert-base-italian-xxl-uncased')
embeddings = model.encode(sentences)
print(embeddings)

使用方法（FastEmbed）

安装FastEmbed后，使用此模型非常简单：

pip install fastembed

然后可以按如下方式使用模型：

from fastembed import TextEmbedding
from fastembed.common.model_description import PoolingType, ModelSource

sentences = ["一个女孩正在整理头发。", "一个女孩正在梳头发。"]

TextEmbedding.add_custom_model(
    model="nickprock/sentence-bert-base-italian-xxl-uncased",
    pooling=PoolingType.MEAN,
    normalization=True,
    sources=ModelSource(hf="nickprock/sentence-bert-base-italian-xxl-uncased"),  # 可以使用`url`从私有存储加载文件
    dim=768,
    model_file="onnx/model_qint8_avx512_vnni.onnx",  # 可用于加载已支持但经过其他优化或量化的模型，例如onnx/model_O4.onnx
)

model = TextEmbedding(model_name="nickprock/sentence-bert-base-italian-xxl-uncased")
embeddings = list(model.embed(sentences))
print(embeddings)

使用方法（HuggingFace Transformers）

如果没有安装sentence-transformers，可以按如下方式使用模型：首先将输入传递给转换器模型，然后需要在上下文化的词嵌入之上应用正确的池化操作。

from transformers import AutoTokenizer, AutoModel
import torch


#均值池化 - 考虑注意力掩码以进行正确的平均
def mean_pooling(model_output, attention_mask):
    token_embeddings = model_output[0] #模型输出的第一个元素包含所有词嵌入
    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)


# 需要获取句子嵌入的句子
sentences = ['一个女孩正在整理头发。', '一个女孩正在梳头发。']

# 从HuggingFace Hub加载模型
tokenizer = AutoTokenizer.from_pretrained('nickprock/sentence-bert-base-italian-xxl-uncased')
model = AutoModel.from_pretrained('nickprock/sentence-bert-base-italian-xxl-uncased')

# 对句子进行分词
encoded_input = tokenizer(sentences, padding=True, truncation=True, return_tensors='pt')

# 计算词嵌入
with torch.no_grad():
    model_output = model(**encoded_input)

# 执行池化。此处为均值池化。
sentence_embeddings = mean_pooling(model_output, encoded_input['attention_mask'])

print("句子嵌入：")
print(sentence_embeddings)