All MiniLM L6 V2 Ct2 Int8

🚀 all-MiniLM-L6-v2

這是一個句子轉換器模型，它可以將句子和段落映射到一個384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

✨ 主要特性

• 能夠將句子和段落映射到384維的密集向量空間。
• 可用於聚類、語義搜索等任務。

📦 安裝指南

若已安裝句子轉換器，使用該模型將變得十分簡單：

pip install -U sentence-transformers

💻 使用示例

基礎用法

使用sentence-transformers庫的示例代碼如下：

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

model = SentenceTransformer('sentence-transformers/all-MiniLM-L6-v2')
embeddings = model.encode(sentences)
print(embeddings)

高級用法

若未安裝句子轉換器，可以按以下方式使用該模型：首先，將輸入數據傳入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
import torch.nn.functional as F

#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('sentence-transformers/all-MiniLM-L6-v2')
model = AutoModel.from_pretrained('sentence-transformers/all-MiniLM-L6-v2')

# 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
sentence_embeddings = mean_pooling(model_output, encoded_input['attention_mask'])

# Normalize embeddings
sentence_embeddings = F.normalize(sentence_embeddings, p=2, dim=1)

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

📚 詳細文檔

評估結果

要對該模型進行自動評估，請參考句子嵌入基準測試：https://seb.sbert.net

🔧 技術細節

背景

該項目旨在使用自監督對比學習目標，在非常大的句子級數據集上訓練句子嵌入模型。我們使用了預訓練的nreimers/MiniLM-L6-H384-uncased模型，並在一個包含10億個句子對的數據集上進行了微調。我們採用了對比學習目標：給定一對句子中的一個句子，模型應從一組隨機採樣的其他句子中預測出在數據集中實際與之配對的句子。

該模型是在由Hugging Face組織的使用JAX/Flax進行自然語言處理和計算機視覺的社區周期間開發的。我們將其作為使用10億個訓練對訓練有史以來最好的句子嵌入模型項目的一部分進行開發。在項目運行過程中，我們受益於高效的硬件基礎設施（7個TPU v3 - 8），以及谷歌Flax、JAX和雲團隊成員在高效深度學習框架方面的指導。

預期用途

我們的模型旨在用作句子和短段落編碼器。給定輸入文本，它會輸出一個捕獲語義信息的向量。該句子向量可用於信息檢索、聚類或句子相似度任務。

默認情況下，輸入文本長度超過256個詞塊時將被截斷。

訓練過程

預訓練

我們使用了預訓練的nreimers/MiniLM-L6-H384-uncased模型。有關預訓練過程的更多詳細信息，請參考該模型的卡片。

微調

我們使用對比目標對模型進行微調。具體來說，我們計算批次中每對可能句子的餘弦相似度，然後通過與真實對進行比較來應用交叉熵損失。

超參數

我們在TPU v3 - 8上訓練模型。使用1024的批次大小（每個TPU核心128）進行100k步的訓練。我們使用500步的學習率預熱。序列長度限制為128個標記。我們使用AdamW優化器，學習率為2e - 5。完整的訓練腳本可在當前倉庫中找到：train_script.py。

訓練數據

我們使用多個數據集的組合來微調模型。句子對的總數超過10億個。我們根據加權概率對每個數據集進行採樣，具體配置在data_config.json文件中詳細說明。

📄 許可證

本項目採用Apache - 2.0許可證。