Multi Qa V1 Distilbert Mean Cos

🚀 multi-qa_v1-distilbert-mean_cos

SentenceTransformers 是一套模型和框架，可根據給定數據訓練並生成句子嵌入向量。生成的句子嵌入向量可用於聚類、語義搜索等任務。本模型使用預訓練的 distilbert-base-uncased 模型，並通過孿生網絡設置和對比學習目標進行訓練。我們使用 StackExchange 的問答對作為訓練數據，使模型在問答嵌入相似度方面表現更穩健。對於此模型，我們使用隱藏狀態的均值池化作為句子嵌入。

本模型由 Hugging Face 組織的 JAX/Flax 用於 NLP 和 CV 的社區周 期間開發。該模型是 使用 10 億訓練對訓練有史以來最好的句子嵌入模型 項目的一部分。我們藉助高效的硬件基礎設施（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幫助來運行該項目。

🚀 快速開始

本模型旨在用作搜索引擎的句子編碼器。給定輸入句子，它將輸出一個捕獲句子語義信息的向量。該句子向量可用於語義搜索、聚類或句子相似度任務。

✨ 主要特性

• 作為句子編碼器，能輸出捕獲句子語義信息的向量。
• 適用於語義搜索、聚類或句子相似度等任務。

📦 安裝指南

此部分原文檔未提及具體安裝步驟，跳過。

💻 使用示例

基礎用法

以下是如何使用 SentenceTransformers 庫來獲取給定文本特徵的示例：

from sentence_transformers import SentenceTransformer

model = SentenceTransformer('flax-sentence-embeddings/multi-qa_v1-distilbert-mean_cos')
text = "Replace me by any question / answer you'd like."
text_embbedding = model.encode(text)
# array([-0.01559514,  0.04046123,  0.1317083 ,  0.00085931,  0.04585106,
#        -0.05607086,  0.0138078 ,  0.03569756,  0.01420381,  0.04266302 ...],
#        dtype=float32)

📚 詳細文檔

預期用途

我們的模型旨在用作搜索引擎的句子編碼器。給定輸入句子，它輸出一個捕獲句子語義信息的向量。該句子向量可用於語義搜索、聚類或句子相似度任務。

訓練過程

預訓練

我們使用預訓練的 distilbert-base-uncased 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。具體來說，我們計算批次中每個可能句子對的餘弦相似度，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 80k 步的訓練。我們使用 500 的學習率預熱。序列長度限制為 128 個標記。我們使用 AdamW 優化器，學習率為 2e - 5。完整的訓練腳本可在當前存儲庫中找到。

訓練數據

我們使用多個 Stackexchange 問答數據集的串聯來微調我們的模型。還使用了 MSMARCO、NQ 等問答數據集。

🔧 技術細節

本模型使用預訓練的 distilbert-base-uncased 模型，通過孿生網絡設置和對比學習目標進行訓練。使用 StackExchange 的問答對作為訓練數據，以提高模型在問答嵌入相似度方面的性能。在微調過程中，計算批次中句子對的餘弦相似度並應用交叉熵損失。使用 AdamW 優化器和特定的超參數（如學習率、批次大小等）在 TPU v3 - 8 上進行訓練。

📄 許可證

此部分原文檔未提及許可證信息，跳過。