Multi Qa V1 MiniLM L6 Cls Dot

🚀 multi-qa_v1-MiniLM-L6-cls_dot

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nreimers/MiniLM-L6-H384-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更加穩健。此模型使用cls輸出而非平均池化作為句子嵌入，並使用點積計算相似度以實現學習目標。

本模型由Hugging Face組織的JAX/Flax用於NLP和CV的社區周期間開發。它是項目使用10億訓練對訓練史上最佳句子嵌入模型的一部分。項目運行得益於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支持。

🚀 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-MiniLM-L6-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)

🔧 技術細節

預訓練

使用預訓練的nreimers/MiniLM-L6-H384-uncased模型。有關預訓練過程的更多詳細信息，請參考該模型卡片。

微調

使用對比目標對模型進行微調。具體而言，從批次中計算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應用交叉熵損失。

超參數

• 在TPU v3 - 8上訓練模型。
• 以1024的批次大小（每個TPU核心128）訓練80k步。
• 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

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。