Multi Qa V1 Distilbert Cls Dot

🚀 multi-qa_v1-distilbert-cls_dot

SentenceTransformers 是一套模型和框架，可根據給定數據進行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。使用 StackExchange 中的問答對作為訓練數據，使模型在問題/答案嵌入相似度方面表現更穩健。此模型使用 cls 輸出而非平均池化作為句子嵌入，並使用點積來計算相似度以實現學習目標。

✨ 主要特性

• SentenceTransformers 框架：藉助 SentenceTransformers 框架，能夠進行句子嵌入的訓練和生成。
• 預訓練模型：基於 distilbert-base-uncased 預訓練模型進行訓練。
• 對比學習：採用孿生網絡設置和對比學習目標，使用問答對數據提升模型性能。
• 特定輸出方式：使用 cls 輸出作為句子嵌入，通過點積計算相似度。

📚 詳細文檔

模型描述

SentenceTransformers 是一套能從給定數據中訓練和生成句子嵌入的模型與框架。生成的句子嵌入可用於聚類、語義搜索等任務。我們使用預訓練的 distilbert-base-uncased 模型，通過孿生網絡設置和對比學習目標進行訓練。以 StackExchange 的問答對作為訓練數據，讓模型在問題/答案嵌入相似度上更具魯棒性。此模型使用 cls 輸出而非平均池化作為句子嵌入，用點積計算相似度以達成學習目標。

我們在 Hugging Face 組織的 使用 JAX/Flax 進行 NLP 和 CV 的社區周 期間開發了該模型。此模型是項目 使用 10 億訓練對訓練史上最佳句子嵌入模型 的一部分。我們藉助高效的硬件基礎設施（7 個 TPU v3 - 8）以及 Google 的 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。

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，它會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。

使用方法

以下是使用 SentenceTransformers 庫獲取給定文本特徵的示例代碼：

from sentence_transformers import SentenceTransformer

model = SentenceTransformer('flax-sentence-embeddings/multi-qa_v1-distilbert-cls_dot')
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)

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。具體而言，我們計算批次中每個可能的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。訓練 80k 步，批次大小為 1024（每個 TPU 核心 128）。使用 500 的學習率預熱。序列長度限制為 128 個標記。使用 AdamW 優化器，學習率為 2e - 5。完整的訓練腳本可在當前倉庫中獲取。

訓練數據

我們使用多個 Stackexchange 問答數據集的拼接來微調模型，同時也使用了 MSMARCO、NQ 等問答數據集。