Dense Encoder Msmarco Distilbert Word2vec256k

🚀 dense_encoder-msmarco-distilbert-word2vec256k

本模型基於 msmarco-word2vec256000-distilbert-base-uncased，使用 word2vec 初始化了一個大小為 256k 的詞彙表。它在 MS MARCO 數據集上進行了訓練，可用於句子相似度計算等任務，為文本特徵提取提供了有效的解決方案。

🚀 快速開始

本模型可以通過 sentence-transformers 庫或 HuggingFace Transformers 庫使用，下面為你詳細介紹使用方法。

✨ 主要特性

• 詞彙表初始化：使用 word2vec 初始化 256k 大小的詞彙表。
• 訓練數據：在 MS MARCO 數據集上進行訓練。
• 性能表現：在多個數據集上有不錯的表現，如 TREC - DL 2019 的 nDCG@10 為 65.53，TREC - DL 2020 的 nDCG@10 為 67.42，4 個 BEIR 數據集的平均表現為 38.97。
• 訓練設置：訓練時凍結了詞嵌入矩陣，使用 MarginMSELoss 進行訓練。

📦 安裝指南

若要使用 sentence-transformers 庫調用本模型，需先安裝該庫：

pip install -U sentence-transformers

💻 使用示例

基礎用法（Sentence - Transformers）

from sentence_transformers import SentenceTransformer
sentences = ["This is an example sentence", "Each sentence is converted"]

model = SentenceTransformer('{MODEL_NAME}')
embeddings = model.encode(sentences)
print(embeddings)

高級用法（HuggingFace Transformers）

不使用 sentence-transformers 庫時，你可以按如下方式使用模型。首先，將輸入數據傳入 Transformer 模型，然後對上下文詞嵌入應用合適的池化操作：

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

# Load model from HuggingFace Hub
tokenizer = AutoTokenizer.from_pretrained('{MODEL_NAME}')
model = AutoModel.from_pretrained('{MODEL_NAME}')

# 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)

📚 詳細文檔

評估結果

若要對本模型進行自動化評估，可參考 Sentence Embeddings Benchmark：https://seb.sbert.net

訓練

本模型的訓練參數如下：

數據加載器： torch.utils.data.dataloader.DataLoader，長度為 7858，參數如下：

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

損失函數： sentence_transformers.losses.MarginMSELoss.MarginMSELoss

fit() 方法的參數：

{
    "epochs": 30,
    "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": 1000,
    "weight_decay": 0.01
}

完整模型架構

SentenceTransformer(
  (0): Transformer({'max_seq_length': 250, '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})
)

引用與作者

如需更多信息，請參考相關文檔。