Moco Sentencedistilbertv2.0

🚀 moco-sentencedistilbertV2.0

這是一個 sentence-transformers 模型：它可以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。

✨ 主要特性

• 該模型是在 mdistilbertV1.1 模型的基礎上，使用 moco-corpus 語料庫（MOCOMSYS 提取的 320 萬個句子）通過 sentencebert 方法訓練，然後額外進行 STS 師生蒸餾學習得到的。
• 詞彙表：164,314 個（在原 mdistilbertV1.1 詞彙表（146,444 個）的基礎上增加了 17,870 個詞彙）
• MLM 模型：bongsoo/mdistilbertV2.0

📦 安裝指南

如果你安裝了 sentence-transformers，使用這個模型會很方便：

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('bongsoo/moco-sentencedistilbertV2.0')
embeddings = model.encode(sentences)
print(embeddings)

# 使用 sklearn 計算 cosine_scores
# => 輸入的 embeddings 必須是 (1,768) 這樣的二維形式
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]}')

輸出示例

[[ 9.7172342e-02 -3.3226651e-01 -7.7130608e-05 ...  1.3900512e-02 2.1072578e-01 -1.5386048e-01]
 [ 2.3313640e-02 -8.4675789e-02 -3.7715461e-06 ...  2.4005771e-02 -1.6602692e-01 -1.2729791e-01]]
*cosine_score:0.3383665680885315

高級用法

如果沒有安裝 sentence-transformers，你可以這樣使用該模型：首先將輸入傳遞給 Transformer 模型，然後對上下文詞嵌入應用正確的池化操作。

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

from transformers import AutoTokenizer, AutoModel
import torch


# 平均池化 - 考慮注意力掩碼以進行正確的平均計算
def mean_pooling(model_output, attention_mask):
    token_embeddings = model_output[0] # 模型輸出的第一個元素包含所有詞嵌入
    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)


# 需要獲取句子嵌入的句子
sentences = ['This is an example sentence', 'Each sentence is converted']

# 從 HuggingFace Hub 加載模型
tokenizer = AutoTokenizer.from_pretrained('bongsoo/moco-sentencedistilbertV2.0')
model = AutoModel.from_pretrained('bongsoo/moco-sentencedistilbertV2.0')

# 對句子進行分詞
encoded_input = tokenizer(sentences, padding=True, truncation=True, return_tensors='pt')

# 計算詞嵌入
with torch.no_grad():
    model_output = model(**encoded_input)

# 進行池化操作，這裡使用平均池化
sentence_embeddings = mean_pooling(model_output, encoded_input['attention_mask'])

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

# 使用 sklearn 計算 cosine_scores
# => 輸入的 embeddings 必須是 (1,768) 這樣的二維形式
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]}')

輸出示例

Sentence embeddings:
tensor([[ 9.7172e-02, -3.3227e-01, -7.7131e-05,  ...,  1.3901e-02, 2.1073e-01, -1.5386e-01],
        [ 2.3314e-02, -8.4676e-02, -3.7715e-06,  ...,  2.4006e-02, -1.6603e-01, -1.2730e-01]])
*cosine_score:0.3383665680885315

📚 詳細文檔

評估結果

• 用於性能測量的語料庫使用了以下韓語（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）
• 性能指標採用 cosin.spearman 進行測量和比較。
• 評估測量代碼請參考 這裡

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

訓練過程

該模型的訓練參數如下：

1. MLM 訓練

• 輸入模型：bongsoo/mdistilbertV1.1（使用 kowiki20220620（440 萬個句子）語料庫訓練的 distilbert-base-multilingual-cased）
• 語料庫：nlp_corpus（320 萬個句子）：MOCOMSYS 文件清理後的語料庫
• 超參數：學習率：5e-5，訓練輪數：8，批量大小：32，最大令牌長度：128
• 輸出模型：mdistilbertV2.0
• 訓練時間：27 小時
• 訓練代碼請參考 這裡

2. STS 訓練

• 將 distilbert 轉換為 sentencebert 模型
• 輸入模型：mdistilbertV2.0
• 語料庫：korsts + kluestsV1.1 + stsb_multi_mt + mteb/sickr-sts（共 33,093 個句子）
• 超參數：學習率：2e-5，訓練輪數：200，批量大小：32，最大令牌長度：128
• 輸出模型：sbert-mdistilbertV2.0
• 訓練時間：5 小時
• 訓練代碼請參考 這裡

3. 蒸餾（distilation）訓練

• 學生模型：sbert-mdistilbertV2.0
• 教師模型：paraphrase-multilingual-mpnet-base-v2
• 語料庫：en_ko_train.tsv（韓語 - 英語社會科學領域平行語料庫：110 萬個句子）
• 超參數：學習率：5e-5，訓練輪數：40，批量大小：32，最大令牌長度：128
• 輸出模型：sbert-mdistilbertV2.0.2-distil
• 訓練時間：11 小時
• 訓練代碼請參考 這裡

4. STS 訓練

• 對 sentencebert 模型進行 STS 訓練
• 輸入模型：sbert-mdistilbertV2.0.2-distil
• 語料庫：korsts + kluestsV1.1 + stsb_multi_mt + mteb/sickr-sts（共 33,093 個句子）
• 超參數：學習率：3e-5，訓練輪數：800，批量大小：32，最大令牌長度：128
• 輸出模型：moco-sentencedistilbertV2.0
• 訓練時間：15 小時
• 訓練代碼請參考 這裡

模型製作過程的詳細內容請參考 這裡。

數據加載器：

{'batch_size': 32, 'sampler': 'torch.utils.data.sampler.RandomSampler', 'batch_sampler': 'torch.utils.data.sampler.BatchSampler'}

配置信息：

{
  "_name_or_path": "../../data11/model/sbert/sbert-mdistilbertV2.0.2-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": 164314
}

🔧 技術細節

SentenceTransformer(
  (0): Transformer({'max_seq_length': 128, '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})
)

📄 許可證

作者：bongsoo