Distilbert Base Uncased Finetuned Cust Similarity 2

🚀 shafin/distilbert-base-uncased-finetuned-cust-similarity-2

這是一個句子轉換器模型，它可以將句子和段落映射到一個128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

當你安裝了句子轉換器後，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('shafin/distilbert-base-uncased-finetuned-cust-similarity-2')
embeddings = model.encode(sentences)
print(embeddings)

✨ 主要特性

• 能夠將句子和段落映射到128維的密集向量空間。
• 可用於聚類或語義搜索等任務。

📚 詳細文檔

評估結果

要對該模型進行自動評估，請參閱句子嵌入基準測試：https://seb.sbert.net

訓練

該模型使用以下參數進行訓練：

數據加載器

長度為4375的torch.utils.data.dataloader.DataLoader，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.OnlineContrastiveLoss.OnlineContrastiveLoss

fit()方法的參數：

{
    "epochs": 15,
    "evaluation_steps": 0,
    "evaluator": "NoneType",
    "max_grad_norm": 1,
    "optimizer_class": "<class 'transformers.optimization.AdamW'>",
    "optimizer_params": {
        "lr": 2e-05
    },
    "scheduler": "WarmupLinear",
    "steps_per_epoch": null,
    "warmup_steps": 3000,
    "weight_decay": 0.01
}

完整模型架構

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})
  (2): Dense({'in_features': 768, 'out_features': 256, 'bias': True, 'activation_function': 'torch.nn.modules.activation.Tanh'})
  (3): Dense({'in_features': 256, 'out_features': 128, 'bias': True, 'activation_function': 'torch.nn.modules.activation.Tanh'})
)

引用與作者