Ms Marco TinyBERT L2 V2

🚀 用於MS Marco的交叉編碼器

本模型用於解決信息檢索中的排序問題，基於MS Marco數據集訓練，可對查詢和段落進行打分排序，為信息檢索提供更精準的結果。

🚀 快速開始

此模型在 MS Marco段落排序 任務上進行了訓練。

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檢索得到的段落）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

💻 使用示例

與Transformers庫一起使用

from transformers import AutoTokenizer, AutoModelForSequenceClassification
import torch

model = AutoModelForSequenceClassification.from_pretrained('cross-encoder/ms-marco-TinyBERT-L2-v2')
tokenizer = AutoTokenizer.from_pretrained('cross-encoder/ms-marco-TinyBERT-L2-v2')

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)

與SentenceTransformers庫一起使用

當你安裝了 SentenceTransformers 庫後，使用起來會更簡單。你可以像這樣使用預訓練模型：

from sentence_transformers import CrossEncoder

model = CrossEncoder('cross-encoder/ms-marco-TinyBERT-L2-v2', max_length=512)
scores = model.predict([('Query', 'Paragraph1'), ('Query', 'Paragraph2') , ('Query', 'Paragraph3')])

📚 詳細文檔

在下表中，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。

📦 模型信息