mlx embeddings

Incrustaciones MLX

MLX-Embeddings es un paquete para ejecutar modelos de Vision y Language Embedding localmente en su Mac usando MLX.

• Software libre: Licencia pública general GNU v3

Características

• Genere incrustaciones de texto utilizando modelos MLX
• Soporte para procesamiento de un solo artículo y por lotes
• Utilidades para comparar similitudes de texto

Instalación

Puedes instalar mlx-embeddings usando pip:

pip install mlx-embeddings

Uso

Incrustación de un solo elemento

Para generar una incrustación para un solo fragmento de texto:

 import mlx . core as mx
from mlx_embeddings . utils import load

# Load the model and tokenizer
model , tokenizer = load ( "sentence-transformers/all-MiniLM-L6-v2" )

# Prepare the text
text = "I like reading"

# Tokenize and generate embedding
input_ids = tokenizer . encode ( text , return_tensors = "mlx" )
outputs = model ( input_ids )
embeddings = outputs [ 0 ][:, 0 , :]

Comparar varios textos

Para comparar varios textos utilizando sus incrustaciones:

 from sklearn . metrics . pairwise import cosine_similarity
import matplotlib . pyplot as plt
import seaborn as sns
import mlx . core as mx
from mlx_embeddings . utils import load

# Load the model and tokenizer
model , tokenizer = load ( "sentence-transformers/all-MiniLM-L6-v2" )

def get_embedding ( text , model , tokenizer ):
    input_ids = tokenizer . encode ( text , return_tensors = "mlx" , padding = True , truncation = True , max_length = 512 )
    outputs = model ( input_ids )
    embeddings = outputs [ 0 ][:, 0 , :][ 0 ]
    return embeddings

# Sample texts
texts = [
    "I like grapes" ,
    "I like fruits" ,
    "The slow green turtle crawls under the busy ant."
]

# Generate embeddings
embeddings = [ get_embedding ( text , model , tokenizer ) for text in texts ]

# Compute similarity
similarity_matrix = cosine_similarity ( embeddings )

# Visualize results
def plot_similarity_matrix ( similarity_matrix , labels ):
    plt . figure ( figsize = ( 5 , 4 ))
    sns . heatmap ( similarity_matrix , annot = True , cmap = 'coolwarm' , xticklabels = labels , yticklabels = labels )
    plt . title ( 'Similarity Matrix Heatmap' )
    plt . tight_layout ()
    plt . show ()

labels = [ f"Text { i + 1 } " for i in range ( len ( texts ))]
plot_similarity_matrix ( similarity_matrix , labels )

Procesamiento por lotes

Para procesar varios textos a la vez:

 from sklearn . metrics . pairwise import cosine_similarity
import matplotlib . pyplot as plt
import seaborn as sns
import mlx . core as mx
from mlx_embeddings . utils import load

# Load the model and tokenizer
model , tokenizer = load ( "sentence-transformers/all-MiniLM-L6-v2" )

def get_embedding ( texts , model , tokenizer ):
    inputs = tokenizer . batch_encode_plus ( texts , return_tensors = "mlx" , padding = True , truncation = True , max_length = 512 )
    outputs = model (
        inputs [ "input_ids" ],
        attention_mask = inputs [ "attention_mask" ]
    )
    return outputs [ 0 ]

def compute_and_print_similarity ( embeddings ):
    B , Seq_len , dim = embeddings . shape
    embeddings_2d = embeddings . reshape ( B , - 1 )
    similarity_matrix = cosine_similarity ( embeddings_2d )

    print ( "Similarity matrix between sequences:" )
    print ( similarity_matrix )
    print ( " n " )

    for i in range ( B ):
        for j in range ( i + 1 , B ):
            print ( f"Similarity between sequence { i + 1 } and sequence { j + 1 } : { similarity_matrix [ i ][ j ]:.4f } " )

    return similarity_matrix

# Sample texts
texts = [
    "I like grapes" ,
    "I like fruits" ,
    "The slow green turtle crawls under the busy ant."
]

embeddings = get_embedding ( texts , model , tokenizer )
similarity_matrix = compute_and_print_similarity ( embeddings )

# Visualize results
labels = [ f"Text { i + 1 } " for i in range ( len ( texts ))]
plot_similarity_matrix ( similarity_matrix , labels )

Modelos soportados Arquitecturas

MLX-Embeddings admite una variedad de arquitecturas de modelos para tareas de incrustación de texto. A continuación se muestra un desglose de las arquitecturas admitidas actualmente:

• XLM-RoBERTa (modelo de lenguaje multilingüe: enfoque BERT sólidamente optimizado)
• BERT (representaciones de codificador bidireccional de transformadores)

Trabajamos continuamente para ampliar nuestro soporte para arquitecturas de modelos adicionales. Consulte nuestro repositorio o documentación de GitHub para obtener la lista más actualizada de modelos compatibles y sus versiones específicas.

Contribuyendo

¡Las contribuciones a MLX-Embeddings son bienvenidas! Consulte nuestras pautas de contribución para obtener más información.

Licencia

Este proyecto está bajo la Licencia Pública General GNU v3.

Contacto

Si tiene alguna pregunta o problema, abra un problema en el repositorio de GitHub.