Moco Sentencedistilbertv2.1

🚀 moco-sentencedistilbertV2.1

このモデルはsentence-transformersモデルです。文章や段落を768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使用できます。

• このモデルは、bongsoo/mdistilbertV2.1 MLMモデルをsentencebertに変換した後、さらにSTS教師 - 学生蒸留学習を行って作成されたモデルです。
• 語彙数: 152,537個（既存の119,548語彙に32,989個の新しい語彙を追加）

🚀 クイックスタート

📦 インストール

sentence-transformersをインストールすると、このモデルの使用が簡単になります。

pip install -U sentence_transformers

💻 使用例

基本的な使用法

from sentence_transformers import SentenceTransformer
sentences = ["서울은 한국이 수도이다", "The capital of Korea is Seoul"]

model = SentenceTransformer('bongsoo/moco-sentencedistilbertV2.1')
embeddings = model.encode(sentences)
print(embeddings)

# sklearn 을 이용하여 cosine_scores를 구함
# => 입력값 embeddings 은 (1,768) 처럼 2D 여야 함.
from sklearn.metrics.pairwise import paired_cosine_distances, paired_euclidean_distances, paired_manhattan_distances
cosine_scores = 1 - (paired_cosine_distances(embeddings[0].reshape(1,-1), embeddings[1].reshape(1,-1)))

print(f'*cosine_score:{cosine_scores[0]}')

出力(Outputs)

[[ 0.27124503 -0.5836643   0.00736023 ... -0.0038319   0.01802095 -0.09652182]
 [ 0.2765149  -0.5754248   0.00788184 ...  0.07659392 -0.07825544 -0.06120609]]
*cosine_score:0.9513546228408813

高度な使用法

sentence-transformersを使用せずにこのモデルを使用する場合、まず入力をTransformerモデルに通し、その後コンテキスト化された単語埋め込みに適切なプーリング操作を適用する必要があります。

pip install transformers[torch]

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 = ["서울은 한국이 수도이다", "The capital of Korea is Seoul"]

# Load model from HuggingFace Hub
tokenizer = AutoTokenizer.from_pretrained('bongsoo/moco-sentencedistilbertV2.1')
model = AutoModel.from_pretrained('bongsoo/moco-sentencedistilbertV2.1')

# 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)

# sklearn 을 이용하여 cosine_scores를 구함
# => 입력값 embeddings 은 (1,768) 처럼 2D 여야 함.
from sklearn.metrics.pairwise import paired_cosine_distances, paired_euclidean_distances, paired_manhattan_distances
cosine_scores = 1 - (paired_cosine_distances(sentence_embeddings[0].reshape(1,-1), sentence_embeddings[1].reshape(1,-1)))

print(f'*cosine_score:{cosine_scores[0]}')

出力(Outputs)

Sentence embeddings:
tensor([[ 0.2712, -0.5837,  0.0074,  ..., -0.0038,  0.0180, -0.0965],
        [ 0.2765, -0.5754,  0.0079,  ...,  0.0766, -0.0783, -0.0612]])
*cosine_score:0.9513546228408813

📚 ドキュメント

評価結果

• 性能測定には、以下の韓国語(kor)と英語(en)の評価コーパスを使用しました。
  • 韓国語: korsts(1,379ペアの文) と klue-sts(519ペアの文)
  • 英語: stsb_multi_mt(1,376ペアの文) と glue:stsb (1,500ペアの文)
• 性能指標は cosin.spearman/max(cosine、eculidean、manhatten、docの中の最大値)
• 評価測定コードはこちらを参照してください。

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

訓練過程

1. MLM訓練

• 入力モデル: distilbert-base-multilingual-cased
• コーパス: 訓練: bongsoo/moco-corpus-kowiki2022(7.6M)、評価: bongsoo/bongevalsmall
• ハイパーパラメータ: 学習率: 5e-5、エポック数: 8、バッチサイズ: 32、最大トークン長: 128
• 語彙数: 152,537個（既存の119,548に32,989個の新しい語彙を追加）
• 出力モデル: mdistilbertV2.1 (サイズ: 643MB)
• 訓練時間: 63時間/1GPU (24GB/23.9GB使用)
• 評価: 訓練損失: 2.203400、評価損失: 2.972835、パープレキシティ: 23.43(bong_eval:1,500)
• 訓練コードはこちらを参照してください。

2. STS訓練

=> bertをsentencebertに変換します。

• 入力モデル: mdistilbertV2.1 (サイズ: 643MB)
• コーパス: korsts(5,749) + kluestsV1.1(11,668) + stsb_multi_mt(5,749) + mteb/sickr-sts(9,927) + glue stsb(5,749) (合計:38,842)
• ハイパーパラメータ: 学習率: 3e-5、エポック数: 800、バッチサイズ: 128、最大トークン長: 256
• 出力モデル: sbert-mdistilbertV2.1 (サイズ: 640MB)
• 訓練時間: 13時間/1GPU (24GB/16.1GB使用)
• 評価(cosin_spearman): 0.790(コーパス: korsts(tune_test.tsv))
• 訓練コードはこちらを参照してください。

3. 蒸留(distilation)訓練

• 学生モデル: sbert-mdistilbertV2.1
• 教師モデル: paraphrase-multilingual-mpnet-base-v2(最大トークン長: 128)
• コーパス: news_talk_en_ko_train.tsv (英語 - 韓国語の会話 - ニュースの並列コーパス: 1.38M)
• ハイパーパラメータ: 学習率: 5e-5、エポック数: 40、バッチサイズ: 128、最大トークン長: 128(教師モデルに合わせる)
• 出力モデル: sbert-mdistilbertV2.1-distil
• 訓練時間: 17時間/1GPU (24GB/9GB使用)
• 訓練コードはこちらを参照してください。

4. STS訓練

=> sentencebertモデルをSTS訓練します。

• 入力モデル: sbert-mdistilbertV2.1-distil
• コーパス: korsts(5,749) + kluestsV1.1(11,668) + stsb_multi_mt(5,749) + mteb/sickr-sts(9,927) + glue stsb(5,749) (合計:38,842)
• ハイパーパラメータ: 学習率: 3e-5、エポック数: 1200、バッチサイズ: 128、最大トークン長: 256
• 出力モデル: moco-sentencedistilbertV2.1
• 訓練時間: 12時間/1GPU (24GB/16.1GB使用)
• 評価(cosin_spearman): 0.839(コーパス: korsts(tune_test.tsv))
• 訓練コードはこちらを参照してください。

モデル作成過程の詳細については、こちらを参照してください。

設定情報

モデル設定

{
  "_name_or_path": "../../data11/model/sbert/sbert-mdistilbertV2.1-distil",
  "activation": "gelu",
  "architectures": [
    "DistilBertModel"
  ],
  "attention_dropout": 0.1,
  "dim": 768,
  "dropout": 0.1,
  "hidden_dim": 3072,
  "initializer_range": 0.02,
  "max_position_embeddings": 512,
  "model_type": "distilbert",
  "n_heads": 12,
  "n_layers": 6,
  "output_past": true,
  "pad_token_id": 0,
  "qa_dropout": 0.1,
  "seq_classif_dropout": 0.2,
  "sinusoidal_pos_embds": false,
  "tie_weights_": true,
  "torch_dtype": "float32",
  "transformers_version": "4.21.2",
  "vocab_size": 152537
}

トークナイザー設定

{
  "cls_token": "[CLS]",
  "do_basic_tokenize": true,
  "do_lower_case": false,
  "mask_token": "[MASK]",
  "max_len": 128,
  "name_or_path": "../../data11/model/sbert/sbert-mdistilbertV2.1-distil",
  "never_split": null,
  "pad_token": "[PAD]",
  "sep_token": "[SEP]",
  "special_tokens_map_file": "../../data11/model/distilbert/mdistilbertV2.1-4/special_tokens_map.json",
  "strip_accents": false,
  "tokenize_chinese_chars": true,
  "tokenizer_class": "DistilBertTokenizer",
  "unk_token": "[UNK]"
}

sentence_bert設定

{
  "max_seq_length": 256,
  "do_lower_case": false
}

sentence_transformers設定

{
  "__version__": {
    "sentence_transformers": "2.2.0",
    "transformers": "4.21.2",
    "pytorch": "1.10.1"
  }
}

引用と著者

bongsoo