Ms Marco Electra Base

🚀 MS Marco交叉編碼器

本模型是在 MS Marco段落排序 任務上進行訓練的。該模型可用於信息檢索：給定一個查詢，將該查詢與所有可能的段落（例如通過 ElasticSearch 檢索到的段落）進行編碼，然後按降序對段落進行排序。更多詳細信息請參閱 SBERT.net 檢索與重排序。訓練代碼可在此處獲取：SBERT.net 訓練 MS Marco

🚀 快速開始

✨ 主要特性

• 基於 MS Marco 段落排序 任務訓練，適用於信息檢索場景。
• 可與 SentenceTransformers 和 Transformers 庫結合使用，方便快捷。

📦 安裝指南

文檔未提及具體安裝步驟，可參考相關庫的官方文檔進行安裝：

• SentenceTransformers
• Transformers

💻 使用示例

基礎用法

使用 SentenceTransformers 庫調用預訓練模型：

from sentence_transformers import CrossEncoder

model = CrossEncoder('cross-encoder/ms-marco-electra-base')
scores = model.predict([
    ("How many people live in Berlin?", "Berlin had a population of 3,520,031 registered inhabitants in an area of 891.82 square kilometers."),
    ("How many people live in Berlin?", "Berlin is well known for its museums."),
])
print(scores)
# [9.9227107e-01 2.0136760e-05]

高級用法

使用 Transformers 庫調用模型：

from transformers import AutoTokenizer, AutoModelForSequenceClassification
import torch

model = AutoModelForSequenceClassification.from_pretrained('model_name')
tokenizer = AutoTokenizer.from_pretrained('model_name')

features = tokenizer(['How many people live in Berlin?', 'How many people live in Berlin?'], ['Berlin has a population of 3,520,031 registered inhabitants in an area of 891.82 square kilometers.', 'New York City is famous for the Metropolitan Museum of Art.'],  padding=True, truncation=True, return_tensors="pt")

model.eval()
with torch.no_grad():
    scores = model(**features).logits
    print(scores)

📚 詳細文檔

在以下表格中，我們提供了各種預訓練的交叉編碼器及其在 TREC 深度學習 2019 和 MS Marco 段落重排序 數據集上的性能表現。

注意：運行時間是在 V100 GPU 上計算得出的。

📄 許可證

本項目採用 Apache-2.0 許可證。

信息表格