Dense Encoder Msmarco Distilbert Word2vec256k

🚀 dense_encoder-msmarco-distilbert-word2vec256k

このモデルは、msmarco-word2vec256000-distilbert-base-uncased をベースに、word2vec を使って 256k の語彙サイズを初期化しています。MS MARCO データセットで学習されており、文章の類似度計算などのタスクに使用でき、テキスト特徴抽出に有効な解決策を提供します。

🚀 クイックスタート

このモデルは、sentence-transformers ライブラリまたは HuggingFace Transformers ライブラリを通じて使用できます。以下に詳細な使用方法を説明します。

✨ 主な機能

• 語彙サイズの初期化：word2vec を使用して 256k の語彙サイズを初期化します。
• 学習データ：MS MARCO データセットで学習されています。
• 性能：複数のデータセットで良好な性能を発揮します。例えば、TREC - DL 2019 の nDCG@10 は 65.53、TREC - DL 2020 の nDCG@10 は 67.42、4 つの BEIR データセットの平均で 38.97 です。
• 学習設定：学習時に単語埋め込み行列を凍結し、MarginMSELoss を使用して学習します。

📦 インストール

sentence-transformers ライブラリを使用してこのモデルを呼び出すには、まずこのライブラリをインストールする必要があります。

pip install -U sentence-transformers

💻 使用例

基本的な使用法（Sentence - Transformers）

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 ライブラリを使用しない場合、以下のようにモデルを使用できます。まず、入力データを 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 Embeddings Benchmark を参照してください：https://seb.sbert.net

学習

このモデルの学習パラメータは以下の通りです。

データローダー： torch.utils.data.dataloader.DataLoader、長さ 7858、パラメータは以下の通りです。

{'batch_size': 64, 'sampler': 'torch.utils.data.sampler.RandomSampler', 'batch_sampler': 'torch.utils.data.sampler.BatchSampler'}

損失関数： sentence_transformers.losses.MarginMSELoss.MarginMSELoss

fit() メソッドのパラメータ：

{
    "epochs": 30,
    "evaluation_steps": 0,
    "evaluator": "NoneType",
    "max_grad_norm": 1,
    "optimizer_class": "<class 'transformers.optimization.AdamW'>",
    "optimizer_params": {
        "lr": 2e-05
    },
    "scheduler": "WarmupLinear",
    "steps_per_epoch": null,
    "warmup_steps": 1000,
    "weight_decay": 0.01
}

完全なモデルアーキテクチャ

SentenceTransformer(
  (0): Transformer({'max_seq_length': 250, 'do_lower_case': False}) with Transformer model: DistilBertModel 
  (1): Pooling({'word_embedding_dimension': 768, 'pooling_mode_cls_token': False, 'pooling_mode_mean_tokens': True, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False})
)

引用と作者

詳細な情報については、関連ドキュメントを参照してください。