Reddit Single Context Mpnet Base

🚀 文章埋め込みモデル

このプロジェクトは、自己教師付きコントラスト学習の目的で、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訓練することを目指しています。事前学習済みの'mpnet-base'モデルを使用し、7億文ペアのデータセットで微調整しました。コントラスト学習の目的を使用しています。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その文章とペアになっているもの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JAX/Flaxを用いたNLPとCVのコミュニティウィーク中に開発されました。このモデルは、10億の訓練ペアで最高の文章埋め込みモデルを訓練するというプロジェクトの一環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台の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するとともに、GoogleのFlax、JAX、およびクラウド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。

🚀 クイックスタート

このモデルは、文章エンコーダとして使用することを意図しています。入力文章が与えられると、文章の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。

✨ 主な機能

• 文章の意味情報を捉えたベクトルを出力することができます。
• 情報検索、クラスタリング、文章類似度タスクなどに使用できます。

📦 インストール

このモデルを使用するには、SentenceTransformersライブラリが必要です。

💻 使用例

基本的な使用法

from sentence_transformers import SentenceTransformer

model = SentenceTransformer('flax-sentence-embeddings/reddit_single-context_mpnet-base')
text = "Replace me by any text you'd like."
text_embbedding = model.encode(text)
# array([-0.01559514,  0.04046123,  0.1317083 ,  0.00085931,  0.04585106,
#        -0.05607086,  0.0138078 ,  0.03569756,  0.01420381,  0.04266302 ...],
#        dtype=float32)

📚 ドキュメント

訓練手順

事前学習

事前学習済みの'mpnet-base'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

コントラスト目的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クロス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で訓練しました。バッチサイズ1024（TPUコアあたり128）で540kステップ訓練しました。学習率のウォームアップを500ステップ行いました。シーケンス長は128トークンに制限しました。学習率2e - 5のAdamWオプティマイザを使用しました。完全な訓練スクリプトは、現在のリポジトリで入手できます。

訓練データ

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7億を超えています。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。データセットを構築する際には、最初のコンテキスト応答のみを使用しました。