Moco Sentencedistilbertv2.1

🚀 moco-sentencedistilbertV2.1

這是一個 sentence-transformers 模型，它可以將句子和段落映射到 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

本模型可以在安裝 sentence-transformers 後輕鬆使用：

pip install -U sentence_transformers

然後，你可以像這樣使用該模型：

from sentence_transformers import SentenceTransformer
sentences = ["서울은 한국이 수도이다", "The capital of Korea is Seoul"]

model = SentenceTransformer('bongsoo/moco-sentencedistilbertV2.1')
embeddings = model.encode(sentences)
print(embeddings)

# sklearn 을 이용하여 cosine_scores를 구함
# => 입력값 embeddings 은 (1,768) 처럼 2D 여야 함.
from sklearn.metrics.pairwise import paired_cosine_distances, paired_euclidean_distances, paired_manhattan_distances
cosine_scores = 1 - (paired_cosine_distances(embeddings[0].reshape(1,-1), embeddings[1].reshape(1,-1)))

print(f'*cosine_score:{cosine_scores[0]}')

輸出(Outputs)

[[ 0.27124503 -0.5836643   0.00736023 ... -0.0038319   0.01802095 -0.09652182]
 [ 0.2765149  -0.5754248   0.00788184 ...  0.07659392 -0.07825544 -0.06120609]]
*cosine_score:0.9513546228408813

如果你沒有安裝 sentence-transformers，也可以這樣使用該模型：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。

pip install transformers[torch]

• 使用平均池化(mean_pooling) 方式（cls 池化，max 池化）

from transformers import AutoTokenizer, AutoModel
import torch


#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 = ["서울은 한국이 수도이다", "The capital of Korea is Seoul"]

# Load model from HuggingFace Hub
tokenizer = AutoTokenizer.from_pretrained('bongsoo/moco-sentencedistilbertV2.1')
model = AutoModel.from_pretrained('bongsoo/moco-sentencedistilbertV2.1')

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

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

# sklearn 을 이용하여 cosine_scores를 구함
# => 입력값 embeddings 은 (1,768) 처럼 2D 여야 함.
from sklearn.metrics.pairwise import paired_cosine_distances, paired_euclidean_distances, paired_manhattan_distances
cosine_scores = 1 - (paired_cosine_distances(sentence_embeddings[0].reshape(1,-1), sentence_embeddings[1].reshape(1,-1)))

print(f'*cosine_score:{cosine_scores[0]}')

輸出(Outputs)

Sentence embeddings:
tensor([[ 0.2712, -0.5837,  0.0074,  ..., -0.0038,  0.0180, -0.0965],
        [ 0.2765, -0.5754,  0.0079,  ...,  0.0766, -0.0783, -0.0612]])
*cosine_score:0.9513546228408813

✨ 主要特性

• 該模型是將 bongsoo/mdistilbertV2.1 MLM 模型轉換為 sentencebert 後，進一步通過 STS 師生蒸餾學習得到的。
• 詞彙表（vocab）：152,537 個（在原有的 119,548 個詞彙基礎上新增 32,989 個）

📚 詳細文檔

評估結果

• 用於性能測量的語料庫，採用了以下韓語（kor）和英語（en）評估語料庫：
  • 韓語：korsts（1,379 對句子） 和 klue-sts（519 對句子）
  • 英語：stsb_multi_mt（1,376 對句子）和 glue:stsb（1,500 對句子）
• 性能指標為 cosin.spearman/max（cosine、eculidean、manhatten、doc 中的最大值）
• 評估測量代碼請參考 這裡

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

訓練過程

1. MLM 訓練

• 輸入模型：distilbert - base - multilingual - cased
• 語料庫：訓練集為 bongsoo/moco - corpus - kowiki2022（760 萬個樣本），評估集為 bongsoo/bongevalsmall
• 超參數：學習率（LearningRate）：5e - 5，訓練輪數（epochs）：8，批次大小（batchsize）：32，最大令牌長度（max_token_len）：128
• 詞彙表（vocab）：152,537 個（在原有的 119,548 個詞彙基礎上新增 32,989 個）
• 輸出模型：mdistilbertV2.1（大小：643MB）
• 訓練時間：63 小時/1 個 GPU（24GB，使用 23.9GB）
• 評估結果：訓練損失（훈련loss）：2.203400，評估損失（평가loss）：2.972835，困惑度（perplexity）：23.43（bong_eval：1,500 個樣本）
• 訓練代碼請參考 [這裡](https://github.com/kobongsoo/BERT/blob/master/distilbert/distilbert - MLM - Trainer - V1.2.ipynb)

2. STS 訓練

=> 將 bert 轉換為 sentencebert。

• 輸入模型：mdistilbertV2.1（大小：643MB）
• 語料庫：korsts（5,749 個樣本） + kluestsV1.1（11,668 個樣本） + stsb_multi_mt（5,749 個樣本） + mteb/sickr - sts（9,927 個樣本） + glue stsb（5,749 個樣本）（總計：38,842 個樣本）
• 超參數：學習率（LearningRate）：3e - 5，訓練輪數（epochs）：800，批次大小（batchsize）：128，最大令牌長度（max_token_len）：256
• 輸出模型：sbert - mdistilbertV2.1（大小：640MB）
• 訓練時間：13 小時/1 個 GPU（24GB，使用 16.1GB）
• 評估（cosin_spearman）：0.790（語料庫：korsts（tune_test.tsv））
• 訓練代碼請參考 [這裡](https://github.com/kobongsoo/BERT/blob/master/sbert/sentece - bert - sts.ipynb)

3. 蒸餾（distilation）訓練

• 學生模型：sbert - mdistilbertV2.1
• 教師模型：paraphrase - multilingual - mpnet - base - v2（最大令牌長度：128）
• 語料庫：news_talk_en_ko_train.tsv（英語 - 韓語對話 - 新聞並行語料庫：138 萬個樣本）
• 超參數：學習率（LearningRate）：5e - 5，訓練輪數（epochs）：40，批次大小（batchsize）：128，最大令牌長度（max_token_len）：128（與教師模型保持一致）
• 輸出模型：sbert - mdistilbertV2.1 - distil
• 訓練時間：17 小時/1 個 GPU（24GB，使用 9GB）
• 訓練代碼請參考 [這裡](https://github.com/kobongsoo/BERT/blob/master/sbert/sbert - distillaton.ipynb)

4. STS 訓練

=> 對 sentencebert 模型進行 STS 訓練。

• 輸入模型：sbert - mdistilbertV2.1 - distil
• 語料庫：korsts（5,749 個樣本） + kluestsV1.1（11,668 個樣本） + stsb_multi_mt（5,749 個樣本） + mteb/sickr - sts（9,927 個樣本） + glue stsb（5,749 個樣本）（總計：38,842 個樣本）
• 超參數：學習率（LearningRate）：3e - 5，訓練輪數（epochs）：1200，批次大小（batchsize）：128，最大令牌長度（max_token_len）：256
• 輸出模型：moco - sentencedistilbertV2.1
• 訓練時間：12 小時/1 個 GPU（24GB，使用 16.1GB）
• 評估（cosin_spearman）：0.839（語料庫：korsts（tune_test.tsv））
• 訓練代碼請參考 [這裡](https://github.com/kobongsoo/BERT/blob/master/sbert/sentece - bert - sts.ipynb)

有關模型製作過程的詳細內容，請參考 這裡。

模型配置

{
  "_name_or_path": "../../data11/model/sbert/sbert-mdistilbertV2.1-distil",
  "activation": "gelu",
  "architectures": [
    "DistilBertModel"
  ],
  "attention_dropout": 0.1,
  "dim": 768,
  "dropout": 0.1,
  "hidden_dim": 3072,
  "initializer_range": 0.02,
  "max_position_embeddings": 512,
  "model_type": "distilbert",
  "n_heads": 12,
  "n_layers": 6,
  "output_past": true,
  "pad_token_id": 0,
  "qa_dropout": 0.1,
  "seq_classif_dropout": 0.2,
  "sinusoidal_pos_embds": false,
  "tie_weights_": true,
  "torch_dtype": "float32",
  "transformers_version": "4.21.2",
  "vocab_size": 152537
}

完整模型架構

SentenceTransformer(
  (0): Transformer({'max_seq_length': 256, 'do_lower_case': False}) with Transformer model: DistilBertModel 
  (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})
)

分詞器配置

{
  "cls_token": "[CLS]",
  "do_basic_tokenize": true,
  "do_lower_case": false,
  "mask_token": "[MASK]",
  "max_len": 128,
  "name_or_path": "../../data11/model/sbert/sbert-mdistilbertV2.1-distil",
  "never_split": null,
  "pad_token": "[PAD]",
  "sep_token": "[SEP]",
  "special_tokens_map_file": "../../data11/model/distilbert/mdistilbertV2.1-4/special_tokens_map.json",
  "strip_accents": false,
  "tokenize_chinese_chars": true,
  "tokenizer_class": "DistilBertTokenizer",
  "unk_token": "[UNK]"
}

sentence_bert 配置

{
  "max_seq_length": 256,
  "do_lower_case": false
}

sentence_transformers 配置

{
  "__version__": {
    "sentence_transformers": "2.2.0",
    "transformers": "4.21.2",
    "pytorch": "1.10.1"
  }
}

📄 許可證

作者：bongsoo

如果你想引用此模型，請註明作者信息。