All MiniLM L6 V2 128dim

🚀 all-MiniLM-L6-v2

這是一個 sentence-transformers 模型，它能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。
• 適用於聚類、語義搜索等任務。

📦 安裝指南

如果你已經安裝了 sentence-transformers，使用這個模型會變得很簡單：

pip install -U sentence-transformers

💻 使用示例

基礎用法（Sentence-Transformers）

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（HuggingFace Transformers）

如果沒有安裝 sentence-transformers，你可以這樣使用這個模型：首先，將輸入數據傳入變壓器模型，然後對上下文相關的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

要對這個模型進行自動評估，請查看 Sentence Embeddings Benchmark：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，模型應該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。

我們是在由 Hugging Face 組織的 Community week using JAX/Flax for NLP & CV 期間開發了這個模型。該模型是項目 Train the Best Sentence Embedding Model Ever with 1B Training Pairs 的一部分。我們藉助高效的硬件基礎設施來運行該項目，包括 7 個 TPU v3 - 8，同時還得到了谷歌 Flax、JAX 和雲團隊成員在高效深度學習框架方面的支持。

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，輸入文本中超過 256 個詞塊的部分將被截斷。

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 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。