Dense Encoder Msmarco Distilbert Word2vec256k MLM 210k Emb Updated

🚀 dense_encoder-msmarco-distilbert-word2vec256k-MLM_210k

このモデルは、文の類似度を計算するためのモデルです。256kサイズの語彙を持ち、word2vecで初期化され、MLMで210kステップ学習されたモデルをベースにしています。MS MARCOデータセットで訓練されており、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('{MODEL_NAME}')
embeddings = model.encode(sentences)
print(embeddings)

✨ 主な機能

• 文と段落を768次元の密ベクトル空間にマッピングします。
• 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

sentence-transformers をインストールすることで、このモデルを使用できます。

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('{MODEL_NAME}')
embeddings = model.encode(sentences)
print(embeddings)

高度な使用法

from transformers import AutoTokenizer, AutoModel
import torch


#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('{MODEL_NAME}')
model = AutoModel.from_pretrained('{MODEL_NAME}')

# 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. In this case, mean pooling.
sentence_embeddings = mean_pooling(model_output, encoded_input['attention_mask'])

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

訓練

このモデルは以下のパラメータで訓練されました。

DataLoader: torch.utils.data.dataloader.DataLoader の長さは7858で、以下のパラメータが使用されました。

{'batch_size': 64, 'sampler': 'torch.utils.data.sampler.RandomSampler', 'batch_sampler': 'torch.utils.data.sampler.BatchSampler'}

Loss: sentence_transformers.losses.MarginMSELoss.MarginMSELoss

fit() メソッドのパラメータ:

{
    "epochs": 30,
    "evaluation_steps": 0,
    "evaluator": "NoneType",
    "max_grad_norm": 1,
    "optimizer_class": "<class 'transformers.optimization.AdamW'>",
    "optimizer_params": {
        "lr": 2e-05
    },
    "scheduler": "WarmupLinear",
    "steps_per_epoch": null,
    "warmup_steps": 1000,
    "weight_decay": 0.01
}

モデルアーキテクチャ

SentenceTransformer(
  (0): Transformer({'max_seq_length': 250, 'do_lower_case': False}) with Transformer model: DistilBertModel 
  (1): Pooling({'word_embedding_dimension': 768, 'pooling_mode_cls_token': False, 'pooling_mode_mean_tokens': True, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False})
)

🔧 技術詳細

このモデルは、vocab-transformers/msmarco-distilbert-word2vec256k-MLM_210k をベースにしています。256kサイズの語彙を持ち、word2vecで初期化され、MLMで210kステップ学習されたモデルです。MS MARCOデータセットで訓練されており、MarginMSELoss を使用して訓練されています。

性能

• MS MARCO dev: 34.91 (MRR@10)
• TREC-DL 2019: 67.56 (nDCG@10)
• TREC-DL 2020: 68.18 (nDCG@10)

📄 ライセンス

原文書にライセンス情報は記載されていません。