All Datasets V4 MiniLM L6

🚀 文章埋め込みモデル

このプロジェクトは、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訓練することを目的としています。事前学習済みの'MiniLM-L6-H384-uncased'モデルを使用し、10億の文章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その文章とペアになっている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するとともに、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。

🚀 クイックスタート

このモデルは文章エンコーダーとして使用することを想定しています。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。この文章ベクトルは、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することができます。

✨ 主な機能

• 自己教師付きの対照学習目標を使用して、大規模な文章データセットで訓練された文章埋め込みモデル。
• 事前学習済みのMiniLMモデルを使用し、10億の文章ペアのデータセットで微調整。
• 文章の意味情報を捉えたベクトルを出力し、情報検索、クラスタリング、文章類似度タスクに利用可能。

📦 インストール

このモデルを使用するには、SentenceTransformersライブラリをインストールする必要があります。

💻 使用例

基本的な使用法

from sentence_transformers import SentenceTransformer

model = SentenceTransformer('flax-sentence-embeddings/all_datasets_v4_MiniLM-L6')
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'MiniLM-L6-H384-uncased'を使用しています。これは、'microsoft/MiniLM-L12-H384-uncased'の6層バージョンで、2層ごとに1層を残したものです。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

対照学習目標を使用してモデルを微調整しています。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コアごとに128）で540,000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。AdamWオプティマイザーを使用し、学習率は2e - 5です。完全な訓練スクリプトは、こ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ています。文章ペアの総数は10億を超えています。各データセットは、重み付き確率に基づいてサンプリングされ、その設定はdata_config.jsonファイルに詳細が記載されています。