pipeline_tag: 句子相似度
language:

• it
  tags:
• sentence-transformers
• 特征提取
• 句子相似度
• transformers

sentence-IT5-base

这是一个sentence-transformers模型：它将句子和段落映射到一个512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T5（IT5）基础架构，训练数据来源于问答对（squad-it）、标签/新闻文章对、标题/正文对（change-it）以及stsb数据集。

使用（Sentence-Transformers）

安装sentence-transformers后即可轻松使用该模型：

pip install -U sentence-transformers  

然后按如下方式使用模型：

from sentence_transformers import SentenceTransformer  
sentences = ["这是一个示例句子", "这是另一个示例"]  

model = SentenceTransformer('efederici/sentence-IT5-base')  
embeddings = model.encode(sentences)  
print(embeddings)  

使用（HuggingFace Transformers）

若不使用sentence-transformers，可按以下方式操作：首先将输入传递给transformer模型，然后对上下文词嵌入执行正确的池化操作。

from transformers import AutoTokenizer, AutoModel  
import torch  

#均值池化 - 考虑注意力掩码以正确平均  
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)  

#待编码句子  
sentences = ["这是一个示例句子", "这是另一个示例"]  

#从HuggingFace Hub加载模型  
tokenizer = AutoTokenizer.from_pretrained('efederici/sentence-IT5-base')  
model = AutoModel.from_pretrained('efederici/sentence-IT5-base')  

#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（此处采用均值池化）  
sentence_embeddings = mean_pooling(model_output, encoded_input['attention_mask'])  

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

完整模型架构

SentenceTransformer(
  (0): Transformer({'max_seq_length': None, 'do_lower_case': False}) with Transformer model: T5EncoderModel 
  (1): Pooling({'word_embedding_dimension': 512, 'pooling_mode_cls_token': False, 'pooling_mode_mean_tokens': True, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False})
)