Diffcse Roberta Base Trans

🚀 DiffCSE：基於差異的句子嵌入對比學習

DiffCSE 是一個無監督對比學習框架，用於學習對原句和編輯句之間差異敏感的句子嵌入。它在無監督句子表示學習方法中取得了最先進的成果，在語義文本相似性任務上超越了無監督的 SimCSE。

🚀 快速開始

我們的代碼主要基於 SimCSE 的代碼。更多詳細信息請參考他們的 倉庫。

✨ 主要特性

我們提出了 DiffCSE，這是一個用於學習句子嵌入的無監督對比學習框架。DiffCSE 學習對原句和編輯句之間差異敏感的句子嵌入，其中編輯句是通過隨機屏蔽原句，然後從屏蔽語言模型中採樣得到的。我們表明，DiffSCE 是等變對比學習 (Dangovski 等人，2021) 的一個實例，它推廣了對比學習，並學習對某些類型的增強不敏感、對其他“有害”類型的增強敏感的表示。我們的實驗表明，DiffCSE 在無監督句子表示學習方法中取得了最先進的結果，在語義文本相似性任務上比無監督的 SimCSE 高出 2.3 個絕對百分點。

📦 安裝指南

要求

• Python 3.9.5

安裝我們定製的 Transformers 包

cd transformers-4.2.1
pip install .

⚠️ 重要提示

如果你已經通過 pip 安裝了 transformers==4.2.1，你需要將 modeling_bert.py 放入 <your_python_env>/site-packages/transformers/models/bert/modeling_bert.py，並將 modeling_roberta.py 放入 <your_python_env>/site-packages/transformers/models/bert/modeling_roberta.py。我們修改了包中的這兩個文件，以便我們可以使用 BERT/RoBERTa 執行 條件 預訓練任務。如果可能，請直接使用 pip 安裝我們定製的 Transformers 包。

安裝其他包

pip install -r requirements.txt

下載預訓練數據集

cd data
bash download_wiki.sh

下載下游數據集

cd SentEval/data/downstream/
bash download_dataset.sh

💻 使用示例

訓練

（與 run_diffcse.sh 相同。）

python train.py \
    --model_name_or_path bert-base-uncased \
    --generator_name distilbert-base-uncased \
    --train_file data/wiki1m_for_simcse.txt \
    --output_dir <your_output_model_dir> \
    --num_train_epochs 2 \
    --per_device_train_batch_size 64 \
    --learning_rate 7e-6 \
    --max_seq_length 32 \
    --evaluation_strategy steps \
    --metric_for_best_model stsb_spearman \
    --load_best_model_at_end \
    --eval_steps 125 \
    --pooler_type cls \
    --mlp_only_train \
    --overwrite_output_dir \
    --logging_first_step \
    --logging_dir <your_logging_dir> \
    --temp 0.05 \
    --do_train \
    --do_eval \
    --batchnorm \
    --lambda_weight 0.005 \
    --fp16 --masking_ratio 0.30

我們的新參數：

• --lambda_weight：我們論文第 3 節中提到的 lambda 係數。
• --masking_ratio：MLM 生成器隨機替換標記的屏蔽率。
• --generator_name：生成器的模型名稱。對於 bert-base-uncased，我們使用 distilbert-base-uncased。對於 roberta-base，我們使用 distilroberta-base。

來自 SimCSE 的參數：

• --train_file：訓練文件路徑 (data/wiki1m_for_simcse.txt)。
• --model_name_or_path：預訓練的檢查點，如基於 BERT 的模型 (bert-base-uncased, bert-large-uncased 等) 和基於 RoBERTa 的模型 (RoBERTa-base, RoBERTa-large)。
• --temp：對比損失的溫度。我們始終使用 0.05。
• --pooler_type：池化方法。
• --mlp_only_train：對於無監督的 SimCSE 或 DiffCSE，使用 MLP 層訓練模型但不使用它進行測試效果更好。在訓練無監督的 SimCSE/DiffCSE 模型時，你應該使用這個參數。

對於我們論文中的結果，我們使用帶有 CUDA 11.2 的 NVidia 2080Ti GPU。使用不同類型的設備或不同版本的 CUDA/Python/PyTorch 可能會導致性能略有不同。

評估

我們提供了一個簡單的 Colab 筆記本，以便輕鬆重現我們的結果。我們也可以運行以下命令進行評估：

python evaluation.py \
    --model_name_or_path <your_output_model_dir> \
    --pooler cls_before_pooler \
    --task_set <sts|transfer|full> \
    --mode test

要評估我們預訓練的 DiffCSE 檢查點，我們可以使用以下腳本：

BERT

STS

python evaluation.py \
    --model_name_or_path voidism/diffcse-bert-base-uncased-sts \
    --pooler cls_before_pooler \
    --task_set sts \
    --mode test

遷移任務

python evaluation.py \
    --model_name_or_path voidism/diffcse-bert-base-uncased-trans \
    --pooler cls_before_pooler \
    --task_set transfer \
    --mode test

RoBERTa

STS

python evaluation.py \
    --model_name_or_path voidism/diffcse-roberta-base-sts \
    --pooler cls_before_pooler \
    --task_set sts \
    --mode test

遷移任務

python evaluation.py \
    --model_name_or_path voidism/diffcse-roberta-base-trans \
    --pooler cls_before_pooler \
    --task_set transfer \
    --mode test

更多詳細信息，請查看 SimCSE 的 GitHub 倉庫。

加載預訓練模型

from diffcse import DiffCSE
model_bert_sts = DiffCSE("voidism/diffcse-bert-base-uncased-sts")
model_bert_trans = DiffCSE("voidism/diffcse-bert-base-uncased-trans")
model_roberta_sts = DiffCSE("voidism/diffcse-roberta-base-sts")
model_roberta_trans = DiffCSE("voidism/diffcse-roberta-base-trans")

📚 詳細文檔

預訓練模型：

• DiffCSE-BERT-base (STS): https://huggingface.co/voidism/diffcse-bert-base-uncased-sts
• DiffCSE-BERT-base (遷移任務): https://huggingface.co/voidism/diffcse-bert-base-uncased-trans
• DiffCSE-RoBERTa-base (STS): https://huggingface.co/voidism/diffcse-roberta-base-sts
• DiffCSE-RoBERTa-base (遷移任務): https://huggingface.co/voidism/diffcse-roberta-base-trans

我們可以使用 SimCSE 提供的 API 加載模型。 更多信息請參閱 入門指南。

📄 許可證

本項目採用 Apache-2.0 許可證。

📚 引用

如果我們的論文和 SimCSE 論文對你的工作有幫助，請引用它們！

@inproceedings{chuang2022diffcse,
   title={{DiffCSE}: Difference-based Contrastive Learning for Sentence Embeddings},
   author={Chuang, Yung-Sung and Dangovski, Rumen and Luo, Hongyin and Zhang, Yang and Chang, Shiyu and Soljacic, Marin and Li, Shang-Wen and Yih, Wen-tau and Kim, Yoon and Glass, James},
   booktitle={Annual Conference of the North American Chapter of the Association for Computational Linguistics (NAACL)},
   year={2022}
}

@inproceedings{gao2021simcse,
   title={{SimCSE}: Simple Contrastive Learning of Sentence Embeddings},
   author={Gao, Tianyu and Yao, Xingcheng and Chen, Danqi},
   booktitle={Empirical Methods in Natural Language Processing (EMNLP)},
   year={2021}
}