language:

• tr pipeline_tag: sentence-similarity license: apache-2.0 tags:
• sentence-transformers
• feature-extraction
• sentence-similarity
• transformers datasets:
• nli_tr
• emrecan/stsb-mt-turkish widget: source_sentence: "这是个非常快乐的人" sentences:
  • "这是只快乐的狗"
  • "这是个开心到飞起的人"
  • "正在下大雪"

emrecan/bert-base-turkish-cased-mean-nli-stsb-tr

这是一个sentence-transformers模型：它能将句子和段落映射到768维稠密向量空间，可用于聚类或语义搜索等任务。该模型基于土耳其语机器翻译版本的NLI和STS-b数据集训练，使用了sentence-transformers GitHub仓库中的训练脚本示例。

使用方法（Sentence-Transformers）

安装sentence-transformers后即可轻松使用本模型：

pip install -U sentence-transformers

使用方式如下：

from sentence_transformers import SentenceTransformer
sentences = ["这是个示例句子", "每个句子都被转化为向量"]

model = SentenceTransformer('emrecan/bert-base-turkish-cased-mean-nli-stsb-tr')
embeddings = model.encode(sentences)
print(embeddings)

使用方法（HuggingFace Transformers）

若不使用sentence-transformers，可通过以下方式调用模型：首先将输入传入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-考虑注意力掩码以确保正确平均
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元嵌入
    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 = ["这是个示例句子", "每个句子都被转化为向量"]

#从HuggingFace Hub加载模型
tokenizer = AutoTokenizer.from_pretrained('emrecan/bert-base-turkish-cased-mean-nli-stsb-tr')
model = AutoModel.from_pretrained('emrecan/bert-base-turkish-cased-mean-nli-stsb-tr')

#分词处理
encoded_input = tokenizer(sentences, padding=True, truncation=True, return_tensors='pt')

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

#执行池化操作（本例采用均值池化）
sentence_embeddings = mean_pooling(model_output, encoded_input['attention_mask'])

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

评估结果

测试集与开发集的评估结果如下：

训练过程

训练脚本采用training_nli_v2.py和training_stsbenchmark_continue_training.py。

训练参数如下：

数据加载器：

长度360的torch.utils.data.dataloader.DataLoader，参数为：

{'batch_size': 16, 'sampler': 'torch.utils.data.sampler.RandomSampler', 'batch_sampler': 'torch.utils.data.sampler.BatchSampler'}

损失函数：

sentence_transformers.losses.CosineSimilarityLoss.CosineSimilarityLoss

fit()方法参数：

{
    "epochs": 4,
    "evaluation_steps": 200,
    "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": 144,
    "weight_decay": 0.01
}

完整模型架构

SentenceTransformer(
  (0): Transformer({'max_seq_length': 75, 'do_lower_case': False}) with Transformer model: BertModel 
  (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})
)

引用与作者