Klue Sroberta Base Continue Learning By Mnr

🚀 bespin-global/klue-sroberta-base-continue-learning-by-mnr

该模型利用了KLUE/NLI、KLUE/STS数据集，并通过sentence-transformers官方文档中介绍的持续学习方法进行了如下训练：

1. 通过NLI数据集进行负采样后，利用MultipleNegativeRankingLoss进行第一次NLI训练。
2. 对在步骤1中训练完成的模型，通过STS数据集，利用CosineSimilarityLoss进行第二次STS训练。

关于训练的详细内容，请参考博客和Colab实践代码。

这是一个sentence-transformers模型：它可以将句子和段落映射到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

本模型可以通过sentence-transformers库或HuggingFace Transformers库使用，下面分别介绍使用方法。

✨ 主要特性

• 利用KLUE/NLI、KLUE/STS数据集进行训练。
• 通过持续学习方法，先进行NLI训练，再进行STS训练。
• 可将句子和段落映射到768维的密集向量空间，适用于聚类或语义搜索等任务。

📦 安装指南

若要使用本模型，需要安装sentence-transformers库，可使用以下命令进行安装：

pip install -U sentence-transformers

💻 使用示例

基础用法（Sentence-Transformers）

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

model = SentenceTransformer("bespin-global/klue-sroberta-base-continue-learning-by-mnr")
embeddings = model.encode(sentences)
print(embeddings)

高级用法（HuggingFace Transformers）

若未安装sentence-transformers库，可以按以下方式使用该模型：首先将输入传递给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("bespin-global/klue-sroberta-base-continue-learning-by-mnr")
model = AutoModel.from_pretrained("bespin-global/klue-sroberta-base-continue-learning-by-mnr")

# 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

EmbeddingSimilarityEvaluator：在sts - test数据集上评估模型

• 余弦相似度：
  • 皮尔逊相关系数：0.8901
  • 斯皮尔曼相关系数：0.8893
• 曼哈顿距离：
  • 皮尔逊相关系数：0.8867
  • 斯皮尔曼相关系数：0.8818
• 欧几里得距离：
  • 皮尔逊相关系数：0.8875
  • 斯皮尔曼相关系数：0.8827
• 点积相似度：
  • 皮尔逊相关系数：0.8786
  • 斯皮尔曼相关系数：0.8735
• 平均值：0.8892573547643868

训练参数

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329，参数如下：

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

损失函数

sentence_transformers.losses.CosineSimilarityLoss.CosineSimilarityLoss

fit()方法的参数：

{
    "epochs": 4,
    "evaluation_steps": 32,
    "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": 132,
    "weight_decay": 0.01
}

完整模型架构

SentenceTransformer(
  (0): Transformer({'max_seq_length': 512, 'do_lower_case': True}) with Transformer model: RobertaModel 
  (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})
)

引用与作者

安在亨，Bespin Global

信息表格