Bioasq 1m Tsdae Msmarco Distilbert Gpl

🚀 {MODEL_NAME}

这是一个句子转换器模型：它能将句子和段落映射到一个768维的密集向量空间，可用于聚类或语义搜索等任务。

🚀 快速开始

✨ 主要特性

• 该模型基于句子转换器，可将句子和段落映射到768维的密集向量空间。
• 可用于聚类、语义搜索等任务。

📦 安装指南

若要使用此模型，需先安装句子转换器：

pip install -U sentence-transformers

💻 使用示例

基础用法（使用Sentence - Transformers）

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)

高级用法（使用HuggingFace Transformers）

若未安装句子转换器，可按以下方式使用模型：首先，将输入数据传入Transformer模型，然后对上下文词嵌入应用正确的池化操作。

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)

📚 详细文档

评估结果

若要对该模型进行自动评估，请参阅句子嵌入基准测试：https://seb.sbert.net

训练

该模型使用以下参数进行训练： 数据加载器： torch.utils.data.dataloader.DataLoader，长度为140000，参数如下：

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

损失函数： gpl.toolkit.loss.MarginDistillationLoss fit()方法的参数：

{
    "epochs": 1,
    "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": 140000,
    "warmup_steps": 1000,
    "weight_decay": 0.01
}

完整模型架构

SentenceTransformer(
  (0): Transformer({'max_seq_length': 350, '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})
)

🔧 技术细节

该模型基于句子转换器技术，将输入的句子和段落映射到768维的向量空间。在训练过程中，使用了特定的数据加载器和损失函数，并通过一系列的参数设置进行优化。在使用时，可通过不同的库（如Sentence - Transformers和HuggingFace Transformers）来调用该模型，不同的调用方式有不同的处理步骤。

📄 许可证

文档未提及相关许可证信息。

📖 引用与作者

文档未提供更多相关信息。