Sentencetest

🚀 {MODEL_NAME}

這是一個 sentence-transformers 模型：它能將句子和段落映射到一個 768 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

當你安裝了 sentence-transformers 後，使用這個模型就變得很簡單：

pip install -U sentence-transformers

然後你可以像這樣使用該模型：

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)

✨ 主要特性

• 能夠將句子和段落映射到 768 維的密集向量空間。
• 可用於聚類、語義搜索等任務。

📦 安裝指南

使用以下命令安裝所需的 sentence-transformers 庫：

pip install -U sentence-transformers

💻 使用示例

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)

📚 詳細文檔

評估結果

要對該模型進行自動評估，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 625，參數如下：

{'batch_size': 16, 'sampler': 'torch.utils.data.sampler.RandomSampler', 'batch_sampler': 'torch.utils.data.sampler.BatchSampler'}

損失函數： sentence_transformers.losses.SoftmaxLoss.SoftmaxLoss

fit() 方法的參數：

{
    "epochs": 3,
    "evaluation_steps": 1000,
    "evaluator": "sentence_transformers.evaluation.EmbeddingSimilarityEvaluator.EmbeddingSimilarityEvaluator",
    "max_grad_norm": 1,
    "optimizer_class": "<class 'torch.optim.adamw.AdamW'>",
    "optimizer_params": {
        "lr": 2e-05
    },
    "scheduler": "WarmupLinear",
    "steps_per_epoch": null,
    "warmup_steps": 188,
    "weight_decay": 0.01
}

完整模型架構

SentenceTransformer(
  (0): Transformer({'max_seq_length': 256, 'do_lower_case': False}) 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': 768, 'bias': True, 'activation_function': 'torch.nn.modules.activation.Tanh'})
)

🔧 技術細節

該模型基於 sentence-transformers 框架，使用 BertModel 作為基礎的 Transformer 模型。通過 DataLoader 加載數據，使用 SoftmaxLoss 作為損失函數進行訓練。訓練過程中使用了 AdamW 優化器和 WarmupLinear 調度器，經過 3 個 epoch 的訓練。模型的輸出是 768 維的密集向量，可用於各種自然語言處理任務。

📄 引用與作者