All Mpnet Base V2 Feature Extraction Pipeline

🚀 all - mpnet - base - v2

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

安裝依賴

如果你安裝了sentence - transformers，使用這個模型會變得很容易：

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('sentence-transformers/all-mpnet-base-v2')
embeddings = model.encode(sentences)
print(embeddings)

高級用法

如果你沒有安裝sentence - transformers，可以按以下方式使用該模型：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。

from transformers import AutoTokenizer, AutoModel
import torch
import torch.nn.functional as F

#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 = ['This is an example sentence', 'Each sentence is converted']

# Load model from HuggingFace Hub
tokenizer = AutoTokenizer.from_pretrained('sentence-transformers/all-mpnet-base-v2')
model = AutoModel.from_pretrained('sentence-transformers/all-mpnet-base-v2')

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

# Normalize embeddings
sentence_embeddings = F.normalize(sentence_embeddings, p=2, dim=1)

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

📊 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

🔍 背景

該項目旨在使用自監督對比學習目標，在非常大的句子級數據集上訓練句子嵌入模型。我們使用了預訓練的microsoft/mpnet - base模型，並在一個包含10億個句子對的數據集上進行了微調。我們採用對比學習目標：給定一對句子中的一個句子，模型應該預測在一組隨機採樣的其他句子中，哪一個實際上是與它在數據集中配對的句子。

我們是在由Hugging Face組織的使用JAX/Flax進行自然語言處理和計算機視覺的社區周期間開發了這個模型。我們將該模型作為使用10億個訓練對訓練有史以來最好的句子嵌入模型項目的一部分進行開發。我們藉助高效的硬件基礎設施來運行該項目：7個TPU v3 - 8，以及谷歌Flax、JAX和雲團隊成員在高效深度學習框架方面的指導。

💡 預期用途

我們的模型旨在用作句子和短段落編碼器。給定輸入文本，它會輸出一個捕獲語義信息的向量。句子向量可用於信息檢索、聚類或句子相似度任務。

默認情況下，超過384個詞塊的輸入文本將被截斷。

🔧 訓練過程

預訓練

我們使用了預訓練的microsoft/mpnet - base模型。有關預訓練過程的更多詳細信息，請參考該模型的卡片。

微調

我們使用對比目標對模型進行微調。形式上，我們計算批次中每對可能句子的餘弦相似度，然後通過與真實對進行比較來應用交叉熵損失。

超參數

我們在TPU v3 - 8上訓練模型。我們使用1024的批次大小（每個TPU核心128）進行了100k步的訓練。我們使用了500步的學習率預熱。序列長度限制為128個標記。我們使用了AdamW優化器，學習率為2e - 5。完整的訓練腳本可在當前倉庫中找到：train_script.py。

訓練數據

我們使用多個數據集的組合來微調模型。句子對的總數超過10億個。我們根據加權概率對每個數據集進行採樣，具體配置在data_config.json文件中詳細說明。

📄 許可證

本項目採用Apache - 2.0許可證。