All MiniLM L6 V2 Ct2 Int8

🚀 all-MiniLM-L6-v2

このモデルはsentence-transformersを使用しており、文章や段落を384次元の密ベクトル空間にマッピングします。クラスタリングや意味検索などのタスクに利用できます。

🚀 クイックスタート

✨ 主な機能

• 文章や段落を384次元の密ベクトル空間にマッピングすることができます。
• クラスタリングや意味検索などのタスクに利用できます。

📦 インストール

sentence-transformersをインストールすると、このモデルを簡単に使用できます。

pip install -U sentence-transformers

💻 使用例

基本的な使用法

from sentence_transformers import SentenceTransformer
sentences = ["This is an example sentence", "Each sentence is converted"]

model = SentenceTransformer('sentence-transformers/all-MiniLM-L6-v2')
embeddings = model.encode(sentences)
print(embeddings)

高度な使用法

sentence-transformersを使用せずに、このモデルを使用することもできます。まず、入力をTransformerモデルに通し、その後、文脈化された単語埋め込みに対して適切なプーリング操作を適用する必要があります。

from transformers import AutoTokenizer, AutoModel
import torch
import torch.nn.functional as F

#Mean Pooling - Take attention mask into account for correct averaging
def mean_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()
    return torch.sum(token_embeddings * input_mask_expanded, 1) / torch.clamp(input_mask_expanded.sum(1), min=1e-9)


# 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('sentence-transformers/all-MiniLM-L6-v2')
model = AutoModel.from_pretrained('sentence-transformers/all-MiniLM-L6-v2')

# 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
sentence_embeddings = mean_pooling(model_output, encoded_input['attention_mask'])

# Normalize embeddings
sentence_embeddings = F.normalize(sentence_embeddings, p=2, dim=1)

print("Sentence embeddings:")
print(sentence_embeddings)

📚 ドキュメント

評価結果

このモデルの自動評価については、Sentence Embeddings Benchmarkを参照してください。 https://seb.sbert.net

背景

このプロジェクトの目的は、自己教師付きの対照学習目標を使用して、非常に大規模な文章レベルのデータセットで文章埋め込みモデルを学習することです。事前学習済みのnreimers/MiniLM-L6-H384-uncasedモデルを使用し、10億の文章ペアデータセットで微調整しました。対照学習目標を使用しており、ペアからの文章が与えられた場合、モデルは、ランダムにサンプリングされた他の文章のセットの中から、実際にデータセットでペアになっていた文章を予測する必要があります。

このモデルは、Hugging Faceによって主催されたCommunity week using JAX/Flax for NLP & CVの間に開発されました。このモデルは、Train the Best Sentence Embedding Model Ever with 1B Training Pairsプロジェクトの一部として開発されました。このプロジェクトを実行するために、7つのTPU v3-8という効率的なハードウェアインフラストラクチャを利用し、GoogleのFlax、JAX、およびCloudチームのメンバーから、効率的な深層学習フレームワークに関する助言を得ました。

想定される用途

このモデルは、文章や短い段落のエンコーダとして使用することを想定しています。入力テキストが与えられると、意味情報を捉えたベクトルを出力します。文章ベクトルは、情報検索、クラスタリング、または文章類似性タスクに使用することができます。

デフォルトでは、256語片より長い入力テキストは切り捨てられます。

学習手順

事前学習

事前学習済みのnreimers/MiniLM-L6-H384-uncasedモデルを使用しています。事前学習手順の詳細については、モデルカードを参照してください。

微調整

対照学習目標を使用してモデルを微調整しています。正式には、バッチ内のすべての可能な文章ペアからコサイン類似度を計算し、その後、真のペアと比較して交差エントロピー損失を適用します。

ハイパーパラメータ

このモデルはTPU v3-8で学習されています。バッチサイズ1024（TPUコアあたり128）で10万ステップ学習しました。学習率のウォームアップを500ステップ行い、シーケンス長は128トークンに制限しました。AdamWオプティマイザを使用し、学習率は2e-5です。完全な学習スクリプトは、現在のリポジトリのtrain_script.pyで入手できます。

学習データ

複数のデータセットを連結してモデルを微調整しています。文章ペアの総数は10億を超えています。各データセットは、重み付けされた確率に基づいてサンプリングされており、その構成はdata_config.jsonファイルに詳細が記載されています。

📄 ライセンス

このモデルはApache-2.0ライセンスの下で提供されています。