Dense Encoder Msmarco Distilbert Word2vec256k MLM 445k Emb Updated

🚀 dense_encoder-msmarco-distilbert-word2vec256k-MLM_445k

本模型用於句子相似度計算，能夠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

本模型基於 vocab-transformers/msmarco-distilbert-word2vec256k-MLM_445k，其詞彙表大小為256k，使用word2vec初始化，並通過MLM訓練了445k步。注意：詞元嵌入已更新！

該模型在MS MARCO數據集上使用 MarginMSELoss 進行訓練。具體訓練腳本請參考本倉庫中的 train_script.py。注意：詞元嵌入已更新！

性能表現

• MS MARCO開發集：34.94 (MRR@10)
• TREC-DL 2019：66.72 (nDCG@10)
• TREC-DL 2020：69.14 (nDCG@10)

✨ 主要特性

• 基於預訓練模型，具有較好的泛化能力。
• 可將句子和段落映射到768維的密集向量空間，適用於多種自然語言處理任務。

📦 安裝指南

若要使用該模型，你需要安裝 sentence-transformers：

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）

在沒有安裝 sentence-transformers 的情況下，你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

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

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})
)

🔧 技術細節

本模型基於預訓練的DistilBertModel，通過MLM任務對詞元嵌入進行更新，並在MS MARCO數據集上使用MarginMSELoss進行訓練。在使用時，可根據具體任務選擇合適的池化操作，將句子和段落映射到768維的密集向量空間。

📄 許可證

文檔未提及許可證相關信息，如需瞭解請進一步查閱相關資料。