All Datasets V3 MiniLM L12

🚀 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学習させることを目的としています。事前学習済みのMiniLM-L12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を行いました。対照学習の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る文章を予測する必要があります。

このモデルは、Hugging Faceによって主催された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Cloudチームのメンバーによる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も得ました。

✨ 主な機能

意図された用途

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することができます。

📦 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

以下は、SentenceTransformersライブラリを使用して、与えられたテキストの特徴を取得する方法です。

from sentence_transformers import SentenceTransformer

model = SentenceTransformer('flax-sentence-embeddings/all_datasets_v3_MiniLM-L12')
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

学習手順

事前学習

事前学習済みのMiniLM-L12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

対照学習の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、真のペアと比較することで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

このモデルはTPU v3-8で学習されました。バッチサイズ1024（TPUコアあたり128）で540,000ステップ学習しました。学習率のウォームアップを500ステップ行い、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。完全な学習スクリプトは、このリポジトリでアクセス可能です。

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、data_config.jsonファイルで詳細に設定された重み付き確率に基づいてサンプリングされました。