Sbert Xtremedistil L6 H256 Uncased Mean Cosine H32

🚀 ABrinkmann/sbert_xtremedistil-l6-h256-uncased-mean-cosine-h32

このモデルはsentence-transformersモデルです。文章や段落を32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

sentence-transformersをインストールすると、このモデルを簡単に使用できます。

pip install -U sentence-transformers

次に、以下のように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('ABrinkmann/sbert_xtremedistil-l6-h256-uncased-mean-cosine-h32')
embeddings = model.encode(sentences)
print(embeddings)

💻 使用例

基本的な使用法

# 元のコードとコメントを保持
from sentence_transformers import SentenceTransformer
sentences = ["This is an example sentence", "Each sentence is converted"]

model = SentenceTransformer('ABrinkmann/sbert_xtremedistil-l6-h256-uncased-mean-cosine-h32')
embeddings = model.encode(sentences)
print(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

学習

このモデルは以下のパラメータで学習されました。

データローダー:

torch.utils.data.dataloader.DataLoader (長さ251) で、以下のパラメータが使用されました。

{'batch_size': 32, 'sampler': 'torch.utils.data.sampler.RandomSampler', 'batch_sampler': 'torch.utils.data.sampler.BatchSampler'}

損失関数:

sentence_transformers.losses.CosineSimilarityLoss.CosineSimilarityLoss

fit()メソッドのパラメータ:

{
    "epochs": 1,
    "evaluation_steps": 1000,
    "evaluator": "sentence_transformers.evaluation.EmbeddingSimilarityEvaluator.EmbeddingSimilarityEvaluator",
    "max_grad_norm": 1,
    "optimizer_class": "<class 'transformers.optimization.AdamW'>",
    "optimizer_params": {
        "lr": 2e-05
    },
    "scheduler": "WarmupLinear",
    "steps_per_epoch": null,
    "warmup_steps": 26,
    "weight_decay": 0.01
}

モデルの全アーキテクチャ

SentenceTransformer(
  (0): Transformer({'max_seq_length': 16, 'do_lower_case': False}) with Transformer model: BertModel 
  (1): Pooling({'word_embedding_dimension': 256, 'pooling_mode_cls_token': False, 'pooling_mode_mean_tokens': True, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False})
  (2): Dense({'in_features': 256, 'out_features': 32, 'bias': True, 'activation_function': 'torch.nn.modules.activation.Tanh'})
)

🔧 技術詳細

このモデルは、文章や段落を32次元の密ベクトル空間にマッピングするために使用されます。学習には特定のデータローダーと損失関数が使用され、fit()メソッドにはいくつかのパラメータが設定されています。モデルのアーキテクチャは、Transformer、Pooling、Denseの3つの層から構成されています。

📄 ライセンス

原文書にライセンス情報が記載されていないため、このセクションは省略されています。