All Datasets V4 MiniLM L12

🚀 句子相似度模型

本項目旨在使用自監督對比學習目標，在超大規模的句子級數據集上訓練句子嵌入模型。通過該模型，能夠將輸入的句子轉化為向量，捕捉句子語義信息，可廣泛應用於信息檢索、聚類或句子相似度等任務。

🚀 快速開始

本模型可作為句子編碼器使用。輸入一個句子，它將輸出一個能捕捉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。

✨ 主要特性

• 基於自監督對比學習目標，在大規模句子級數據集上訓練。
• 使用預訓練的 'MiniLM-L12' 模型，並在 10 億個句子對上進行微調。
• 可用於信息檢索、聚類或句子相似度任務。

📦 安裝指南

本 README 未提供安裝相關內容，若需使用可參考 SentenceTransformers 庫的安裝說明。

💻 使用示例

基礎用法

from sentence_transformers import SentenceTransformer

model = SentenceTransformer('flax-sentence-embeddings/all_datasets_v4_MiniLM-L12')
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，在非常大的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-L12' 模型，並在 10 億個句子對上進行了微調。我們使用對比學習目標：給定一對句子中的一個句子，模型應預測在一組隨機採樣的其他句子中，哪個句子實際上在我們的數據集中與它配對。

我們在由 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 期間開發了此模型。我們將此模型作為項目 使用 10 億個訓練對訓練有史以來最好的句子嵌入模型 的一部分進行開發。我們受益於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。給定一個輸入句子，它會輸出一個捕捉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。

🔧 技術細節

訓練過程

預訓練

我們使用預訓練的 'MiniLM-L12' 模型。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，我們計算批次中每對可能句子的餘弦相似度，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。訓練步數為 540k，批次大小為 1024（每個 TPU 核心 128）。學習率預熱步數為 500。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。