初始化项目，由ModelHub XC社区提供模型

Model: smartmind/roberta-ko-small-tsdae
Source: Original Platform

README.md

@@ -0,0 +1,138 @@
+---
+pipeline_tag: sentence-similarity
+tags:
+- sentence-transformers
+- feature-extraction
+- sentence-similarity
+- transformers
+language:
+- ko
+license:
+- mit
+widget:
+  source_sentence: "대한민국의 수도는 서울입니다."
+  sentences:
+    - "미국의 수도는 뉴욕이 아닙니다."
+    - "대한민국의 수도 요금은 저렴한 편입니다."
+    - "서울은 대한민국의 수도입니다."
+---
+
+# smartmind/roberta-ko-small-tsdae
+
+This is a [sentence-transformers](https://www.SBERT.net) model: It maps sentences & paragraphs to a 256 dimensional dense vector space and can be used for tasks like clustering or semantic search.
+
+Korean roberta small model pretrained with [TSDAE](https://arxiv.org/abs/2104.06979).
+
+[TSDAE](https://arxiv.org/abs/2104.06979)로 사전학습된 한국어 roberta모델입니다. 모델의 구조는 [lassl/roberta-ko-small](https://huggingface.co/lassl/roberta-ko-small)과 동일합니다. 토크나이저는 다릅니다.
+
+sentence-similarity를 구하는 용도로 바로 사용할 수도 있고, 목적에 맞게 파인튜닝하여 사용할 수도 있습니다.
+
+## Usage (Sentence-Transformers)
+
+[sentence-transformers](https://www.SBERT.net)를 설치한 뒤, 모델을 바로 불러올 수 있습니다.
+
+```
+pip install -U sentence-transformers
+```
+
+이후 다음처럼 모델을 사용할 수 있습니다.
+
+```python
+from sentence_transformers import SentenceTransformer
+
+sentences = ["This is an example sentence", "Each sentence is converted"]
+
+model = SentenceTransformer('smartmind/roberta-ko-small-tsdae')
+embeddings = model.encode(sentences)
+print(embeddings)
+```
+
+다음은 sentence-transformers의 기능을 사용하여 여러 문장의 유사도를 구하는 예시입니다.
+
+```python
+from sentence_transformers import util
+
+sentences = [
+    "대한민국의 수도는 서울입니다.",
+    "미국의 수도는 뉴욕이 아닙니다.",
+    "대한민국의 수도 요금은 저렴한 편입니다.",
+    "서울은 대한민국의 수도입니다.",
+    "오늘 서울은 하루종일 맑음",
+]
+
+paraphrase = util.paraphrase_mining(model, sentences)
+for score, i, j in paraphrase:
+    print(f"{sentences[i]}\t\t{sentences[j]}\t\t{score:.4f}")
+```
+
+```
+대한민국의 수도는 서울입니다.		서울은 대한민국의 수도입니다.		0.7616
+대한민국의 수도는 서울입니다.		미국의 수도는 뉴욕이 아닙니다.		0.7031
+대한민국의 수도는 서울입니다.		대한민국의 수도 요금은 저렴한 편입니다.		0.6594
+미국의 수도는 뉴욕이 아닙니다.		서울은 대한민국의 수도입니다.		0.6445
+대한민국의 수도 요금은 저렴한 편입니다.		서울은 대한민국의 수도입니다.		0.4915
+미국의 수도는 뉴욕이 아닙니다.		대한민국의 수도 요금은 저렴한 편입니다.		0.4785
+서울은 대한민국의 수도입니다.		오늘 서울은 하루종일 맑음		0.4119
+대한민국의 수도는 서울입니다.		오늘 서울은 하루종일 맑음		0.3520
+미국의 수도는 뉴욕이 아닙니다.		오늘 서울은 하루종일 맑음		0.2550
+대한민국의 수도 요금은 저렴한 편입니다.		오늘 서울은 하루종일 맑음		0.1896
+```
+
+
+## Usage (HuggingFace Transformers)
+
+[sentence-transformers](https://www.SBERT.net)를 설치하지 않은 상태로는 다음처럼 사용할 수 있습니다.
+
+```python
+from transformers import AutoTokenizer, AutoModel
+import torch
+
+
+def cls_pooling(model_output, attention_mask):
+    return model_output[0][:,0]
+
+
+# Sentences we want sentence embeddings for
+sentences = ['This is an example sentence', 'Each sentence is converted']
+
+# Load model from HuggingFace Hub
+tokenizer = AutoTokenizer.from_pretrained('smartmind/roberta-ko-small-tsdae')
+model = AutoModel.from_pretrained('smartmind/roberta-ko-small-tsdae')
+
+# 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, cls pooling.
+sentence_embeddings = cls_pooling(model_output, encoded_input['attention_mask'])
+
+print("Sentence embeddings:")
+print(sentence_embeddings)
+```
+
+
+
+## Evaluation Results
+
+[klue](https://huggingface.co/datasets/klue) STS 데이터에 대해 다음 점수를 얻었습니다. 이 데이터에 대해 파인튜닝하지 **않은** 상태로 구한 점수입니다.
+
+|split|cosine_pearson|cosine_spearman|euclidean_pearson|euclidean_spearman|manhattan_pearson|manhattan_spearman|dot_pearson|dot_spearman|
+|-----|--------------|---------------|-----------------|------------------|-----------------|------------------|-----------|------------|
+|train|0.8735|0.8676|0.8268|0.8357|0.8248|0.8336|0.8449|0.8383|
+|validation|0.5409|0.5349|0.4786|0.4657|0.4775|0.4625|0.5284|0.5252|
+
+
+## Full Model Architecture
+```
+SentenceTransformer(
+  (0): Transformer({'max_seq_length': 508, 'do_lower_case': False}) with Transformer model: RobertaModel
+  (1): Pooling({'word_embedding_dimension': 256, 'pooling_mode_cls_token': True, 'pooling_mode_mean_tokens': False, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False})
+)
+```
+
+## Citing & Authors
+
+<!--- Describe where people can find more information -->