Minilm L6 Dmr

🚀 WebLINX: 基於多輪對話的真實世界網站導航

WebLINX是一個用於真實世界網站導航的模型，藉助多輪對話的方式，能夠更高效地實現網站導航功能。

🚀 快速開始

本項目提供了論文、網站、探索器、數據集和代碼的訪問鏈接，方便用戶快速瞭解和使用：

• 📄論文
• 🌐項目網站
• 💻探索器
• 🤗數據集
• 💾代碼

✨ 主要特性

• 本模型基於Sentence Transformers，可將句子和段落映射到384維的密集向量空間，適用於聚類或語義搜索等任務。
• 在WebLINX數據集上進行微調，使用了之前在Huggingface Hub上發佈的檢查點。

📦 安裝指南

若要使用此模型，需安裝sentence-transformers：

pip install -U sentence-transformers

💻 使用示例

基礎用法

當安裝了sentence-transformers後，可按如下方式使用模型：

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

model = SentenceTransformer('McGill-NLP/MiniLM-L6-dmr')
embeddings = model.encode(sentences)
print(embeddings)

高級用法

若未安裝sentence-transformers，可按以下步驟使用模型：首先將輸入傳遞給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


#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('McGill-NLP/MiniLM-L6-dmr')
model = AutoModel.from_pretrained('McGill-NLP/MiniLM-L6-dmr')

# 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. In this case, mean pooling.
sentence_embeddings = mean_pooling(model_output, encoded_input['attention_mask'])

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，可參考 Sentence Embeddings Benchmark：https://seb.sbert.net

訓練參數

模型的訓練參數如下：

• 數據加載器： torch.utils.data.dataloader.DataLoader，長度為2560，參數如下：

  {'batch_size': 64, 'sampler': 'torch.utils.data.sampler.RandomSampler', 'batch_sampler': 'torch.utils.data.sampler.BatchSampler'}
  

• 損失函數： sentence_transformers.losses.CosineSimilarityLoss.CosineSimilarityLoss
• fit()方法的參數：

  {
      "epochs": 10,
      "evaluation_steps": 0,
      "evaluator": "NoneType",
      "max_grad_norm": 1,
      "optimizer_class": "<class 'torch.optim.adamw.AdamW'>",
      "optimizer_params": {
          "lr": 3e-05
      },
      "scheduler": "warmuplinear",
      "steps_per_epoch": null,
      "warmup_steps": 500,
      "weight_decay": 0.0
  }
  

完整模型架構

SentenceTransformer(
  (0): Transformer({'max_seq_length': 512, 'do_lower_case': False}) with Transformer model: BertModel 
  (1): Pooling({'word_embedding_dimension': 384, 'pooling_mode_cls_token': False, 'pooling_mode_mean_tokens': True, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False})
)

引用與作者

• 作者：Xing Han Lù*, Zdeněk Kasner*, Siva Reddy
• 原模型：點擊此處訪問原模型