All Mpnet Base V2 Feature Extraction

🚀 all-mpnet-base-v2 クローン

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。

このモデルと公式モデルの唯一の違いは、この README.md 内で pipeline_tag: feature-extraction が変更されている点です。

🚀 クイックスタート

✨ 主要特性

このモデルは、文章や段落を768次元の密ベクトル空間にマッピングすることができ、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。

📦 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 = ["This is an example sentence", "Each sentence is converted"]

model = SentenceTransformer('sentence-transformers/all-mpnet-base-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、入力をトランスフォーマーモデルに通し、その後、文脈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。

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-mpnet-base-v2')
model = AutoModel.from_pretrained('sentence-transformers/all-mpnet-base-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)

📚 詳細ドキュメント

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 microsoft/mpnet-base モデルを使用し、10億文ペアの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います。つまり、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が主催する 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ディープラーニング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、文章および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、または文章類似度タスクに使用できます。

デフォルトでは、384単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 microsoft/mpnet-base 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

対照目標を使用してモデルを微調整します。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ます。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

モデルはTPU v3 - 8で学習しました。バッチサイズ1024（TPUコアあたり128）を使用して100kステップ学習しました。学習率のウォームアップは500としました。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としました。完全な学習スクリプトは、このリポジトリの train_script.py でアクセスできます。

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ました。文章ペアの総数は10億文を超えています。各データセットは、data_config.json ファイルに詳細が記載されている重み付き確率に基づいてサンプリングされました。

📄 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。