Sentence T5 Base FT Quora Sentence Similarity LG

🚀 DunnBC22/sentence-t5-base-FT-Quora_Sentence_Similarity-LG

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。

有關該模型的創建方式，更多信息請查看以下鏈接：https://github.com/DunnBC22/NLP_Projects/blob/main/Semantic_Similarity/Semantic%20Similarity-base.ipynb

🚀 快速開始

📦 安裝指南

如果你已經安裝了 sentence-transformers，使用這個模型會很容易：

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('DunnBC22/sentence-t5-base-FT-Quora_Sentence_Similarity-LG')
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，請查看 Sentence Embeddings Benchmark：https://seb.sbert.net

🔧 技術細節

訓練參數

該模型的訓練參數如下：

數據加載器： torch.utils.data.dataloader.DataLoader，長度為 4673，參數如下：

{'batch_size': 64, 'sampler': 'torch.utils.data.sampler.RandomSampler', 'batch_sampler': 'torch.utils.data.sampler.BatchSampler'}

損失函數： sentence_transformers.losses.OnlineContrastiveLoss.OnlineContrastiveLoss

fit() 方法的參數：

{
    "epochs": 1,
    "evaluation_steps": 0,
    "evaluator": "sentence_transformers.evaluation.BinaryClassificationEvaluator.BinaryClassificationEvaluator",
    "max_grad_norm": 1,
    "optimizer_class": "<class 'torch.optim.adamw.AdamW'>",
    "optimizer_params": {
        "lr": 2e-05
    },
    "scheduler": "WarmupLinear",
    "steps_per_epoch": null,
    "warmup_steps": 2,
    "weight_decay": 0.01
}

潛在改進

提高該模型效果的一種方法是使用更大的 T5 檢查點。此模型是使用 T5-base 檢查點進行訓練的。

更大的檢查點如下：

完整模型架構

SentenceTransformer(
  (0): Transformer({'max_seq_length': 34, 'do_lower_case': False}) with Transformer model: T5EncoderModel 
  (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': False, 'activation_function': 'torch.nn.modules.linear.Identity'})
  (3): Normalize()
)

📄 許可證

數據集來源：https://www.kaggle.com/datasets/quora/question-pairs-dataset