All Datasets V4 MiniLM L6

🚀 句子相似度模型

本項目旨在使用自監督對比學習目標，在超大型句子級數據集上訓練句子嵌入模型。該模型可輸出捕獲句子語義信息的向量，用於信息檢索、聚類或句子相似度任務。

🚀 快速開始

本模型可作為句子編碼器使用。給定輸入句子，它會輸出一個捕獲句子語義信息的向量。這個句子向量可用於信息檢索、聚類或句子相似度任務。

✨ 主要特性

• 基於自監督對比學習目標，在超大型句子級數據集上訓練。
• 以預訓練的 MiniLM-L6-H384-uncased 模型為基礎進行微調。
• 可輸出捕獲句子語義信息的向量，適用於多種自然語言處理任務。

💻 使用示例

基礎用法

from sentence_transformers import SentenceTransformer

model = SentenceTransformer('flax-sentence-embeddings/all_datasets_v4_MiniLM-L6')
text = "Replace me by any text 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

模型描述

本項目旨在使用自監督對比學習目標，在超大型句子級數據集上訓練句子嵌入模型。我們使用了預訓練的 'MiniLM-L6-H384-uncased' 模型，並在 10 億個句子對上進行了微調。我們採用對比學習目標：給定一對句子中的一個，模型應從一組隨機採樣的其他句子中預測出在數據集中實際與之配對的句子。

本模型是在 Hugging Face 組織的 使用 JAX/Flax 進行自然語言處理和計算機視覺的社區周 期間開發的。它是 使用 10 億個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來運行該項目：7 個 TPU v3 - 8，以及谷歌的 Flax、JAX 和雲團隊成員在高效深度學習框架方面的支持。

預期用途

我們的模型旨在用作句子編碼器。給定輸入句子，它會輸出一個捕獲句子語義信息的向量。該句子向量可用於信息檢索、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 'MiniLM-L6-H384-uncased' 模型，它是 'microsoft/MiniLM-L12-H384-uncased' 的 6 層版本，只保留了每隔一層的結構。有關預訓練過程的更多詳細信息，請參考模型卡片。

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。使用 1024 的批次大小（每個 TPU 核心 128），訓練 540k 步。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倉庫中找到。

訓練數據

我們使用多個數據集的組合來微調模型。句子對的總數超過 10 億。我們根據加權概率對每個數據集進行採樣，具體配置在 data_config.json 文件中詳細說明。