Kpf Sbert 128d V1

🚀 kpf-sbert-128d-v1

kpf-sbert-128d-v1 模型將 kpf bert 模型的輸出維度降至 128 維，並經過 nli(3)+sts(10)+nli(3)+sts(10) 的訓練。它是一個 sentence-transformers 模型，可將句子和段落映射到 128 維的密集向量空間，適用於聚類或語義搜索等任務。

🚀 快速開始

若你已安裝 sentence-transformers，使用此模型將十分便捷。

pip install -U sentence-transformers

隨後，你可以按如下方式使用該模型：

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

model = SentenceTransformer('bongsoo/kpf-sbert-128d-v1')
embeddings = model.encode(sentences)
print(embeddings)

✨ 主要特性

• 可將句子和段落映射到 128 維的密集向量空間。
• 適用於聚類或語義搜索等任務。

📚 詳細文檔

評估結果

若要對該模型進行自動化評估，請參考 Sentence Embeddings Benchmark：https://seb.sbert.net

訓練

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 326，參數如下：

{'batch_size': 128, 'sampler': 'torch.utils.data.sampler.RandomSampler', 'batch_sampler': 'torch.utils.data.sampler.BatchSampler'}

損失函數： sentence_transformers.losses.CosineSimilarityLoss.CosineSimilarityLoss

fit() 方法的參數：

{
    "epochs": 10,
    "evaluation_steps": 651,
    "evaluator": "sentence_transformers.evaluation.EmbeddingSimilarityEvaluator.EmbeddingSimilarityEvaluator",
    "max_grad_norm": 1,
    "optimizer_class": "<class 'transformers.optimization.AdamW'>",
    "optimizer_params": {
        "eps": 1e-06,
        "lr": 0.0001
    },
    "scheduler": "WarmupLinear",
    "steps_per_epoch": null,
    "warmup_steps": 326,
    "weight_decay": 0.01
}

完整模型架構

SentenceTransformer(
  (0): Transformer({'max_seq_length': 512, 'do_lower_case': True}) with Transformer model: BertModel 
  (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})
  (2): Dense({'in_features': 768, 'out_features': 128, 'bias': True, 'activation_function': 'torch.nn.modules.activation.Tanh'})
)

引用與作者

作者：bongsoo