如何快速上手gte-base模型？3分钟完成文本嵌入生成

【免费下载链接】gte-base项目地址: https://ai.gitcode.com/hf_mirrors/zhouhui/gte-base

gte-base是一款高效的文本嵌入生成模型，能够将文本转换为高维向量表示，广泛应用于语义搜索、文本聚类和相似度计算等场景。本文将带你快速掌握gte-base的使用方法，3分钟内完成从环境搭建到文本嵌入生成的全过程。

📋 准备工作：环境搭建

1. 克隆项目仓库

首先需要获取gte-base模型文件，执行以下命令克隆仓库：

git clone https://gitcode.com/hf_mirrors/zhouhui/gte-base cd gte-base

2. 安装依赖

项目仅需一个核心依赖，通过以下命令安装：

pip install transformers==4.39.2

依赖配置文件位于：examples/requirements.txt

🚀 快速开始：生成文本嵌入

1. 查看示例代码

项目提供了完整的 inference 示例，文件路径为：examples/inference.py

2. 核心代码解析

示例代码主要包含三个步骤：

• 加载模型和分词器：通过AutoTokenizer和AutoModel加载本地模型
• 文本预处理：对输入文本进行tokenize处理
• 生成嵌入向量：通过模型推理获取文本嵌入并进行池化和归一化

关键代码片段：

# 加载模型和分词器 tokenizer = AutoTokenizer.from_pretrained(model_path) model = AutoModel.from_pretrained(model_path) # 文本预处理 batch_dict = tokenizer(input_texts, max_length=512, padding=True, truncation=True, return_tensors='pt') # 生成嵌入向量 outputs = model(**batch_dict) embeddings = average_pool(outputs.last_hidden_state, batch_dict['attention_mask']) embeddings = F.normalize(embeddings, p=2, dim=1)

3. 运行示例

直接执行示例脚本即可生成文本嵌入：

python examples/inference.py

运行成功后，将输出文本对之间的相似度分数，示例输出：

[[32.56, 78.32, 45.19]]

⚙️ 模型配置说明

gte-base基于BERT架构，主要配置参数如下：

• 隐藏层大小：768
• 注意力头数量：12
• 隐藏层数量：12
• 最大序列长度：512
• 词汇表大小：30522

完整配置文件位于：config.json

💡 使用技巧

1.** 输入文本长度：建议控制在512 tokens以内，超过会被自动截断 2.批量处理：可同时输入多个文本进行批量嵌入生成，提高效率 3.设备选择：支持CPU和NPU设备，NPU可显著加速推理过程 4.嵌入归一化 **：示例中默认对嵌入进行L2归一化，便于计算余弦相似度

📌 总结

通过本文的3个步骤，你已经成功掌握了gte-base模型的基本使用方法。从克隆仓库、安装依赖到运行示例，整个过程简单高效。gte-base模型凭借其优秀的文本嵌入能力，能够为你的NLP应用提供强大支持。现在就开始尝试使用吧！

【免费下载链接】gte-base项目地址: https://ai.gitcode.com/hf_mirrors/zhouhui/gte-base