All Datasets V3 Mpnet Base

🚀 all - mpnet - base - v1

這是一個句子轉換器模型：它可以將句子和段落映射到一個768維的密集向量空間，可用於聚類或語義搜索等任務。

🚀 快速開始

✨ 主要特性

• 能夠將句子和段落映射到768維的密集向量空間。
• 可用於聚類、語義搜索等多種自然語言處理任務。

📦 安裝指南

如果你已經安裝了sentence - transformers，使用這個模型會很容易：

pip install -U sentence-transformers

💻 使用示例

基礎用法（Sentence - Transformers）

from sentence_transformers import SentenceTransformer
sentences = ["This is an example sentence", "Each sentence is converted"]

model = SentenceTransformer('sentence-transformers/all-mpnet-base-v1')
embeddings = model.encode(sentences)
print(embeddings)

高級用法（HuggingFace Transformers）

如果沒有安裝sentence - transformers，你可以這樣使用該模型：首先，將輸入數據通過Transformer模型，然後對上下文詞嵌入應用正確的池化操作。

from transformers import AutoTokenizer, AutoModel
import torch
import torch.nn.functional as F

#Mean Pooling - Take attention mask into account for correct averaging
def mean_pooling(model_output, attention_mask):
    token_embeddings = model_output[0] #First element of model_output contains all token embeddings
    input_mask_expanded = attention_mask.unsqueeze(-1).expand(token_embeddings.size()).float()
    return torch.sum(token_embeddings * input_mask_expanded, 1) / torch.clamp(input_mask_expanded.sum(1), min=1e-9)


# Sentences we want sentence embeddings for
sentences = ['This is an example sentence', 'Each sentence is converted']

# Load model from HuggingFace Hub
tokenizer = AutoTokenizer.from_pretrained('sentence-transformers/all-mpnet-base-v1')
model = AutoModel.from_pretrained('sentence-transformers/all-mpnet-base-v1')

# Tokenize sentences
encoded_input = tokenizer(sentences, padding=True, truncation=True, return_tensors='pt')

# Compute token embeddings
with torch.no_grad():
    model_output = model(**encoded_input)

# Perform pooling
sentence_embeddings = mean_pooling(model_output, encoded_input['attention_mask'])

# Normalize embeddings
sentence_embeddings = F.normalize(sentence_embeddings, p=2, dim=1)

print("Sentence embeddings:")
print(sentence_embeddings)

📚 詳細文檔

評估結果

要對該模型進行自動評估，請參考句子嵌入基準：https://seb.sbert.net

背景

該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[microsoft/mpnet - base](https://huggingface.co/microsoft/mpnet - base)模型，並在一個包含10億個句子對的數據集上進行了微調。我們採用了對比學習目標：給定一對句子中的一個句子，模型應該預測在一組隨機採樣的其他句子中，哪一個實際上是與它在數據集中配對的。

我們是在由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](https://discuss.huggingface.co/t/open - to - the - community - community - week - using - jax - flax - for - nlp - cv/7104)期間開發這個模型的。我們將該模型作為項目[使用10億個訓練對訓練有史以來最好的句子嵌入模型](https://discuss.huggingface.co/t/train - the - best - sentence - embedding - model - ever - with - 1b - training - pairs/7354)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Flax、JAX和雲團隊成員在高效深度學習框架方面的指導。

預期用途

我們的模型旨在用作句子和短段落編碼器。給定輸入文本，它會輸出一個捕獲語義信息的向量。句子向量可用於信息檢索、聚類或句子相似度任務。

默認情況下，超過128個詞塊的輸入文本會被截斷。

訓練過程

預訓練

我們使用了預訓練的[microsoft/mpnet - base](https://huggingface.co/microsoft/mpnet - base)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。形式上，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。我們使用512的批次大小（每個TPU核心64）進行了920k步的訓練。我們使用了500步的學習率預熱。序列長度限制為128個標記。我們使用了AdamW優化器，學習率為2e - 5。完整的訓練腳本可以在當前倉庫中找到：train_script.py。

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。

📄 許可證

本項目採用Apache 2.0許可證。