tgsc/sentence-transformer-ult5-pt-small

El modo más simple de uso es utilizar la biblioteca sentence-transformers:

pip install -U sentence-transformers

from sentence_transformers import SentenceTransformer
sentences = ["Este es un ejemplo de sentencia", "La sentencia es convertida en un texto de dimensión 513"]

model = SentenceTransformer('tgsc/sentence-transformer-ult5-pt-small')
embeddings = model.encode(sentences)
print(embeddings)

Es posible utilizar el modelo solo con la biblioteca transformers. Primero, pasa el texto por el modelo, y en seguida aplica la operación de pooling a los embeddings contextuales del texto.

from transformers import AutoTokenizer, T5EncoderModel
import torch

#Mean Pooling - Ten en cuenta la máscara de atención para un promedio correcto
def mean_pooling(model_output, attention_mask):
    token_embeddings = model_output[0] # El primer elemento de model_output contiene todos los embeddings de tokens
    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)

# Oraciones para las cuales queremos embeddings de oraciones
sentences = ["Este es un ejemplo de sentencia", "La sentencia es convertida en un texto de dimensión 513"]

# Cargar modelo desde HuggingFace Hub
tokenizer = AutoTokenizer.from_pretrained('tgsc/sentence-transformer-ult5-pt-small')
model = T5EncoderModel.from_pretrained('tgsc/sentence-transformer-ult5-pt-small')

# Tokenizar oraciones
encoded_input = tokenizer(sentences, padding=True, truncation=True, return_tensors='pt')

# Calcular embeddings de tokens
with torch.no_grad():
    model_output = model(**encoded_input)

# Realizar pooling. En este caso, mean pooling.
sentence_embeddings = mean_pooling(model_output, encoded_input['attention_mask'])

print("Embeddings de oraciones:")
print(sentence_embeddings)