🚀 bertin-roberta-base-finetuning-esnli

这是一个基于 sentence-transformers 的模型，在一系列西班牙语自然语言推理（NLI）任务上进行了训练。它能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 这篇论文 中的孪生网络方法构建。

你可以在 这里 查看该模型的演示。另外，你还能在 这里 找到我们的另一个模型 paraphrase-spanish-distilroberta，并在 这里 查看其演示。

🚀 快速开始

✨ 主要特性

• 基于 sentence-transformers 框架训练，适用于西班牙语的自然语言推理任务。
• 将句子和段落映射到 768 维的密集向量空间，可用于聚类和语义搜索等任务。
• 基于孪生网络方法构建，提升了模型性能。

📦 安装指南

若要使用此模型，你需要安装 sentence-transformers：

pip install -U sentence-transformers

💻 使用示例

基础用法（Sentence-Transformers）

安装好 sentence-transformers 后，你可以按如下方式使用该模型：

from sentence_transformers import SentenceTransformer
sentences = ["Este es un ejemplo", "Cada oración es transformada"]

model = SentenceTransformer('hackathon-pln-es/bertin-roberta-base-finetuning-esnli')
embeddings = model.encode(sentences)
print(embeddings)

高级用法（HuggingFace Transformers）

若未安装 sentence-transformers，你可以按以下方式使用该模型：首先，将输入数据传入 Transformer 模型，然后对上下文词嵌入应用合适的池化操作。

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 = ['This is an example sentence', 'Each sentence is converted']

# Load model from HuggingFace Hub
tokenizer = AutoTokenizer.from_pretrained('hackathon-pln-es/bertin-roberta-base-finetuning-esnli')
model = AutoModel.from_pretrained('hackathon-pln-es/bertin-roberta-base-finetuning-esnli')

# 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

我们使用 SemEval-2015 任务 的 西班牙语数据集 对模型进行了语义文本相似度任务的评估。评估指标如下：

训练

模型的训练参数如下：

• 数据集：我们使用了一系列自然语言推理数据集作为训练数据，包括仅西班牙语部分的 ESXNLI、自动翻译的 SNLI 和 MultiNLI。完整的数据集可在 这里 获取。以下是我们用于增加训练数据量的技巧：

  for row in reader:
    if row['language'] == 'es':
      
      sent1 = row['sentence1'].strip()
      sent2 = row['sentence2'].strip()
    
      add_to_samples(sent1, sent2, row['gold_label'])
      add_to_samples(sent2, sent1, row['gold_label'])  #Also add the opposite

• 数据加载器：使用 sentence_transformers.datasets.NoDuplicatesDataLoader.NoDuplicatesDataLoader，长度为 1818，参数如下：

{'batch_size': 64}

• 损失函数：使用 sentence_transformers.losses.MultipleNegativesRankingLoss.MultipleNegativesRankingLoss，参数如下：

{'scale': 20.0, 'similarity_fct': 'cos_sim'}

• fit() 方法的参数：

{
    "epochs": 10,
    "evaluation_steps": 0,
    "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": 909,
    "weight_decay": 0.01
}

🔧 技术细节

完整模型架构

SentenceTransformer(
  (0): Transformer({'max_seq_length': 514, 'do_lower_case': False}) with Transformer model: RobertaModel 
  (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})
)

📄 许可证

文档未提供相关许可证信息。

👨‍💻 作者

• Anibal Pérez
• Emilio Tomás Ariza
• Lautaro Gesuelli
• Mauricio Mazuecos