Bregman K10 Ep10 B2 L2

🚀 {MODEL_NAME}

これはSentence Transformerモデルです。このモデルは、文章や段落を512次元の密ベクトル空間にマッピングし、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

依存関係のインストール

このモデルを使用するには、sentence-transformersをインストールする必要があります。

pip install -U sentence-transformers

✨ 主な機能

• 文章や段落を512次元の密ベクトル空間にマッピングできます。
• クラスタリング、意味検索などのタスクに利用できます。

📦 インストール

このモデルを使用するには、以下のコマンドで必要な sentence-transformers ライブラリをインストールできます。

pip install -U sentence-transformers

💻 使用例

基本的な使用法（Sentence-Transformers）

sentence-transformersをインストールすると、このモデルの使用は非常に簡単です。

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

model = SentenceTransformer('{MODEL_NAME}')
embeddings = model.encode(sentences)
print(embeddings)

高度な使用法（HuggingFace Transformers）

sentence-transformersがインストールされていない場合は、以下のようにモデルを使用できます。まず、入力をTransformerモデルに渡し、次にコンテキスト単語埋め込みに適切なプーリング操作を適用します。

from transformers import AutoTokenizer, AutoModel
import torch


#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('{MODEL_NAME}')
model = AutoModel.from_pretrained('{MODEL_NAME}')

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

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

📚 ドキュメント

評価結果

このモデルを自動評価するには、Sentence Embedding Benchmark を参照してください：https://seb.sbert.net

学習パラメータ

このモデルは以下のパラメータで学習されています。

データローダー： torch.utils.data.dataloader.DataLoader、長さ187841、以下のパラメータ：

{'batch_size': 2, 'sampler': 'torch.utils.data.sampler.RandomSampler', 'batch_sampler': 'torch.utils.data.sampler.BatchSampler'}

損失関数： __main__.BregmanRankingLoss

fit() メソッドのパラメータ：

{
    "epochs": 10,
    "evaluation_steps": 0,
    "evaluator": "NoneType",
    "max_grad_norm": 1,
    "optimizer_class": "<class 'torch.optim.adamw.AdamW'>",
    "optimizer_params": {
        "lr": 3e-05
    },
    "scheduler": "WarmupLinear",
    "steps_per_epoch": 5000,
    "warmup_steps": 187841,
    "weight_decay": 0.01
}

完全なモデルアーキテクチャ

SentenceTransformer(
  (0): Transformer({'max_seq_length': 4096, 'do_lower_case': False}) with Transformer model: LongformerModel 
  (1): Pooling({'word_embedding_dimension': 512, 'pooling_mode_cls_token': False, 'pooling_mode_mean_tokens': True, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False})
)

🔧 技術詳細

このモデルはSentence Transformerアーキテクチャに基づいており、入力された文章や段落を512次元の密ベクトル空間にマッピングすることで、意味情報を効果的に表現しています。学習過程では、特定のデータローダーと損失関数を使用し、一連の最適化パラメータで学習されています。モデルのアーキテクチャには、長シーケンスTransformerモデルとプーリング層が含まれており、特徴を抽出して集約するために使用されます。