Dense Encoder Msmarco Distilbert Word2vec256k MLM 210k Emb Updated

🚀 dense_encoder - msmarco - distilbert - word2vec256k - MLM_210k

本模型主要用於句子相似度計算，它基於預訓練模型，能夠將句子和段落映射到高維向量空間，在信息檢索、文本聚類等任務中具有重要價值。

🚀 快速開始

本模型可通過 sentence - transformers 庫或 HuggingFace Transformers 庫使用，以下將分別介紹使用方法。

✨ 主要特性

• 基於 [vocab - transformers/msmarco - distilbert - word2vec256k - MLM_210k](https://huggingface.co/vocab - transformers/msmarco - distilbert - word2vec256k - MLM_210k) 模型，擁有 256k 大小的詞彙表，該詞彙表使用 word2vec 初始化，並經過 210k 步的 MLM 訓練。
• 在 MS MARCO 數據集上使用 [MarginMSELoss](https://github.com/UKPLab/sentence - transformers/blob/master/examples/training/ms_marco/train_bi - encoder_margin - mse.py) 進行訓練。
• 在多個評估數據集上表現出色，如 MS MARCO dev（MRR@10 為 34.91）、TREC - DL 2019（nDCG@10 為 67.56）和 TREC - DL 2020（nDCG@10 為 68.18）。

📦 安裝指南

若要使用 sentence - transformers 庫，可使用以下命令進行安裝：

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)

基礎用法（HuggingFace Transformers）

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

對於本模型的自動化評估，可參考 Sentence Embeddings Benchmark：https://seb.sbert.net

訓練參數

本模型的訓練參數如下：

• DataLoader： 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'}
  

• Loss： sentence_transformers.losses.MarginMSELoss.MarginMSELoss fit() 方法的參數如下：

  {
      "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。

⚠️ 重要提示

注意：詞嵌入已更新！