Ms Marco TinyBERT L4

🚀 用於MS Marco的交叉編碼器

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

• 基於特定的MS Marco任務進行訓練，適用於信息檢索場景。
• 可與transformers和SentenceTransformers庫配合使用，使用方式靈活。

📦 安裝指南

文檔未提及具體安裝步驟，可參考transformers和SentenceTransformers庫的官方安裝說明進行安裝。

💻 使用示例

基礎用法

使用transformers庫調用模型：

from transformers import AutoTokenizer, AutoModelForSequenceClassification
import torch

model = AutoModelForSequenceClassification.from_pretrained('cross-encoder/ms-marco-TinyBERT-L4')
tokenizer = AutoTokenizer.from_pretrained('cross-encoder/ms-marco-TinyBERT-L4')

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)

高級用法

當安裝了SentenceTransformers庫後，使用會更加簡便：

from sentence_transformers import CrossEncoder

model = CrossEncoder('cross-encoder/ms-marco-TinyBERT-L4', max_length=512)
scores = model.predict([('Query', 'Paragraph1'), ('Query', 'Paragraph2') , ('Query', 'Paragraph3')])

📚 詳細文檔

🔧 技術細節

本模型在MS Marco段落排序任務上進行訓練，可用於信息檢索。通過對查詢和段落進行編碼，並按降序對段落進行排序，實現信息的有效檢索。

📄 許可證

本項目採用Apache-2.0許可證。

📦 性能表現

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。