Frpile GPL Test Pipeline BAAI Bge Large En 14000

🚀 {MODEL_NAME}

{MODEL_NAME} 是一個 sentence-transformers 模型，它可以將句子和段落映射到一個 1024 維的密集向量空間，可用於聚類或語義搜索等任務。

🚀 快速開始

安裝依賴

使用這個模型，你需要安裝 sentence-transformers：

pip install -U sentence-transformers

代碼示例

基礎用法

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)

高級用法

若未安裝 sentence-transformers，可以按以下方式使用該模型：首先，將輸入傳遞給 Transformer 模型，然後對上下文詞嵌入應用正確的池化操作。

from transformers import AutoTokenizer, AutoModel
import torch


def cls_pooling(model_output, attention_mask):
    return model_output[0][:,0]


# 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, cls pooling.
sentence_embeddings = cls_pooling(model_output, encoded_input['attention_mask'])

print("Sentence embeddings:")
print(sentence_embeddings)

✨ 主要特性

• 能夠將句子和段落映射到 1024 維的密集向量空間。
• 可用於聚類、語義搜索等自然語言處理任務。

📚 詳細文檔

評估結果

有關該模型的自動評估，請參閱 Sentence Embeddings Benchmark：https://seb.sbert.net

訓練細節

該模型使用以下參數進行訓練：

數據加載器

torch.utils.data.dataloader.DataLoader，長度為 700，參數如下：

{'batch_size': 4, 'sampler': 'torch.utils.data.sampler.SequentialSampler', 'batch_sampler': 'torch.utils.data.sampler.BatchSampler'}

損失函數

gpl.toolkit.loss.MarginDistillationLoss

訓練方法參數

{
    "epochs": 1,
    "evaluation_steps": 0,
    "evaluator": "NoneType",
    "max_grad_norm": 1,
    "optimizer_class": "<class 'torch.optim.adamw.AdamW'>",
    "optimizer_params": {
        "lr": 2e-05
    },
    "scheduler": "WarmupLinear",
    "steps_per_epoch": 14000,
    "warmup_steps": 1000,
    "weight_decay": 0.01
}

完整模型架構

SentenceTransformer(
  (0): Transformer({'max_seq_length': 350, 'do_lower_case': True}) with Transformer model: BertModel 
  (1): Pooling({'word_embedding_dimension': 1024, 'pooling_mode_cls_token': True, 'pooling_mode_mean_tokens': False, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False})
)

引用與作者

如需瞭解更多信息，請參考相關引用和作者介紹。