HPD TinyBERT F128

🚀 HPD-TinyBERT-F128

本倉庫包含了我們論文 Compressing Sentence Representation for Semantic Retrieval via Homomorphic Projective Distillation 的預訓練模型。該句子嵌入模型僅包含 1400 萬個參數，模型大小僅為 55MB。

🚀 快速開始

當你安裝了 sentence-transformers 後，使用這個模型就變得很簡單：

pip install -U sentence-transformers

安裝完該包後，你可以輕鬆加載我們的模型：

from sentence_transformers import SentenceTransformer
model = SentenceTransformer('Xuandong/HPD-TinyBERT-F128')

然後你可以使用我們的模型將 句子編碼為嵌入向量：

sentences = ['He plays guitar.', 'A street vendor is outside.']
sentence_embeddings = model.encode(sentences)

for sentence, embedding in zip(sentences, sentence_embeddings):
    print("Sentence:", sentence)
    print("Embedding:", embedding)
    print("")

✨ 主要特性

我們提出了 同態投影蒸餾（HPD） 方法來學習壓縮的句子嵌入。我們的方法通過可學習的投影層增強小型 Transformer 編碼器模型，以生成緊湊的表示，同時模仿大型預訓練語言模型來保持句子表示的質量。

📦 安裝指南

使用這個模型，你需要安裝 sentence-transformers：

pip install -U sentence-transformers

💻 使用示例

基礎用法

from sentence_transformers import SentenceTransformer
model = SentenceTransformer('Xuandong/HPD-TinyBERT-F128')
sentences = ['He plays guitar.', 'A street vendor is outside.']
sentence_embeddings = model.encode(sentences)

for sentence, embedding in zip(sentences, sentence_embeddings):
    print("Sentence:", sentence)
    print("Embedding:", embedding)
    print("")

📚 詳細文檔

這是一個 sentence-transformers 模型：它可以將句子和段落映射到 128 維的密集向量空間，可用於聚類或語義搜索等任務。

教師模型是 princeton-nlp/sup-simcse-roberta-large，學生模型是 nreimers/TinyBERT_L-4_H-312_v2。

評估結果

我們在語義文本相似度（STS）任務上評估了我們的模型，結果如下：

訓練詳情

有關訓練的詳細信息，請參考 GitHub 倉庫 (https://github.com/XuandongZhao/HPD)。

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': 312, 'pooling_mode_cls_token': False, 'pooling_mode_mean_tokens': True, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False})
  (2): Dense({'in_features': 312, 'out_features': 128, 'bias': True, 'activation_function': 'torch.nn.modules.activation.Tanh'})
)

📄 許可證

本項目採用 Apache - 2.0 許可證。

📚 引用

如果您在工作中使用了 HPD，請引用我們的論文：

@article{zhao2022compressing,
  title={Compressing Sentence Representation for Semantic Retrieval via Homomorphic Projective Distillation},
  author={Zhao, Xuandong and Yu, Zhiguo and Wu, Ming and Li, Lei},
  journal={arXiv preprint arXiv:2203.07687},
  year={2022}
}