初始化项目，由ModelHub XC社区提供模型

Model: m3hrdadfi/distilbert-zwnj-wnli-mean-tokens
Source: Original Platform

README.md

@@ -0,0 +1,86 @@
+---
+pipeline_tag: sentence-similarity
+tags:
+- sentence-transformers
+- feature-extraction
+- sentence-similarity
+- transformers
+widget:
+    source_sentence: "مردی در حال خوردن پاستا است."
+    sentences: 
+        - 'مردی در حال خوردن خوراک است.'
+        - 'مردی در حال خوردن یک تکه نان است.'
+        - 'دختری بچه ای را حمل می کند.'
+        - 'یک مرد سوار بر اسب است.'
+        - 'زنی در حال نواختن پیانو است.'
+        - 'دو مرد گاری ها را به داخل جنگل هل دادند.'
+        - 'مردی در حال سواری بر اسب سفید در مزرعه است.'
+        - 'میمونی در حال نواختن طبل است.'
+        - 'یوزپلنگ به دنبال شکار خود در حال دویدن است.'
+---
+
+# Sentence Embeddings with `distilbert-zwnj-wnli-mean-tokens`
+
+## Usage (Sentence-Transformers)
+Using this model becomes easy when you have [sentence-transformers](https://www.SBERT.net) installed:
+
+```
+pip install -U sentence-transformers
+```
+
+Then you can use the model like this:
+
+```python
+from sentence_transformers import SentenceTransformer
+
+
+sentences = [
+    'اولین حکمران شهر بابل کی بود؟',
+    'در فصل زمستان چه اتفاقی افتاد؟',
+    'میراث کوروش'
+]
+model = SentenceTransformer('m3hrdadfi/distilbert-zwnj-wnli-mean-tokens')
+embeddings = model.encode(sentences)
+print(embeddings)
+```
+
+## Usage (HuggingFace Transformers)
+Without [sentence-transformers](https://www.SBERT.net), you can use the model like this: First, you pass your input through the transformer model, then you have to apply the right pooling-operation on-top of the contextualized word embeddings.
+
+```python
+from transformers import AutoTokenizer, AutoModel
+import torch
+
+
+# Max Pooling - Take the max value over time for every dimension. 
+def max_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()
+    token_embeddings[input_mask_expanded == 0] = -1e9  # Set padding tokens to large negative value
+    return torch.mean(token_embeddings, 1)[0]
+
+# Sentences we want sentence embeddings for
+sentences = [
+    'اولین حکمران شهر بابل کی بود؟',
+    'در فصل زمستان چه اتفاقی افتاد؟',
+    'میراث کوروش'
+]
+
+# Load model from HuggingFace Hub
+tokenizer = AutoTokenizer.from_pretrained('m3hrdadfi/distilbert-zwnj-wnli-mean-tokens')
+model = AutoModel.from_pretrained('m3hrdadfi/distilbert-zwnj-wnli-mean-tokens')
+
+# 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, max pooling.
+sentence_embeddings = max_pooling(model_output, encoded_input['attention_mask'])
+
+print("Sentence embeddings:")
+print(sentence_embeddings)
+```
+
+## Questions?
+Post a Github issue from [HERE](https://github.com/m3hrdadfi/sentence-transformers).