All MiniLM L6 V2

🚀 ONNX convert all-MiniLM-L6-v2

このプロジェクトは、sentence-transformers/all-MiniLM-L6-v2 をONNX形式に変換するものです。このモデルは、文章や段落を384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。

🚀 クイックスタート

このモデルを使用するには、sentence-transformers をインストールする必要があります。以下のコマンドでインストールできます。

pip install -U sentence-transformers

インストールが完了したら、以下のコードでモデルを使用できます。

from sentence_transformers import SentenceTransformer
sentences = ["This is an example sentence", "Each sentence is converted"]

model = SentenceTransformer('sentence-transformers/all-MiniLM-L6-v2')
embeddings = model.encode(sentences)
print(embeddings)

✨ 主な機能

• 文章や段落を384次元の密ベクトル空間にマッピングすることができます。
• 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

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-MiniLM-L6-v2')
embeddings = model.encode(sentences)
print(embeddings)

高度な使用法

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-MiniLM-L6-v2')
model = AutoModel.from_pretrained('sentence-transformers/all-MiniLM-L6-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)

📚 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

このプロジェクトは、自己教師付きのコントラスト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を目的としています。事前学習済みの nreimers/MiniLM-L6-H384-uncased モデルを使用し、10億件の文章ペアデータセットで微調整しました。コントラスト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 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、または文章類似性タスクに使用できます。

デフォルトでは、256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 nreimers/MiniLM-L6-H384-uncased 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

コントラスト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

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10万ステップ学習しました。学習率のウォームアップを500ステップ行いました。シーケンス長は128トークンに制限されました。AdamWオプティマイザを使用し、学習率は2e-5です。完全な学習スクリプトは、このリポジトリの train_script.py で入手できます。

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ています。文章ペアの総数は10億件を超えています。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す。

📄 ライセンス

このプロジェクトは、Apache 2.0ライセンスの下で公開されています。