All Mpnet Base V2

🚀 all-mpnet-base-v2

all-mpnet-base-v2 是一个基于 sentence-transformers 的模型，它可以将句子和段落映射到 768 维的密集向量空间，可用于聚类或语义搜索等任务。

🚀 快速开始

本模型有两种使用方式，分别是使用 sentence-transformers 库和使用 HuggingFace Transformers 库，下面为你详细介绍。

✨ 主要特性

• 能够将句子和段落映射到 768 维的密集向量空间。
• 可用于聚类、语义搜索等任务。
• 基于预训练的 microsoft/mpnet-base 模型进行微调。

📦 安装指南

若要使用 sentence-transformers 库调用本模型，你需要先安装该库：

pip install -U sentence-transformers

💻 使用示例

基础用法（Sentence-Transformers）

安装 sentence-transformers 库后，你可以按照以下方式使用本模型：

from sentence_transformers import SentenceTransformer
sentences = ["This is an example sentence", "Each sentence is converted"]

model = SentenceTransformer('sentence-transformers/all-mpnet-base-v2')
embeddings = model.encode(sentences)
print(embeddings)

高级用法（HuggingFace Transformers）

若未安装 sentence-transformers 库，你可以按以下步骤使用本模型：首先，将输入数据传入 Transformer 模型，然后对上下文词嵌入应用正确的池化操作。

from transformers import AutoTokenizer, AutoModel
import torch
import torch.nn.functional as F

#Mean Pooling - Take attention mask into account for correct averaging
def mean_pooling(model_output, attention_mask):
    token_embeddings = model_output[0] #First element of model_output contains all token embeddings
    input_mask_expanded = attention_mask.unsqueeze(-1).expand(token_embeddings.size()).float()
    return torch.sum(token_embeddings * input_mask_expanded, 1) / torch.clamp(input_mask_expanded.sum(1), min=1e-9)


# Sentences we want sentence embeddings for
sentences = ['This is an example sentence', 'Each sentence is converted']

# Load model from HuggingFace Hub
tokenizer = AutoTokenizer.from_pretrained('sentence-transformers/all-mpnet-base-v2')
model = AutoModel.from_pretrained('sentence-transformers/all-mpnet-base-v2')

# Tokenize sentences
encoded_input = tokenizer(sentences, padding=True, truncation=True, return_tensors='pt')

# Compute token embeddings
with torch.no_grad():
    model_output = model(**encoded_input)

# Perform pooling
sentence_embeddings = mean_pooling(model_output, encoded_input['attention_mask'])

# Normalize embeddings
sentence_embeddings = F.normalize(sentence_embeddings, p=2, dim=1)

print("Sentence embeddings:")
print(sentence_embeddings)

📚 详细文档

评估结果

若要对本模型进行自动化评估，请参考 Sentence Embeddings Benchmark：https://seb.sbert.net

背景

本项目旨在使用自监督对比学习目标，在非常大的句子级数据集上训练句子嵌入模型。我们使用了预训练的 microsoft/mpnet-base 模型，并在包含 10 亿个句子对的数据集上进行了微调。我们采用对比学习目标：给定一对句子中的一个句子，模型应从一组随机采样的其他句子中预测出在数据集中实际与之配对的句子。

本模型是在 Hugging Face 组织的 Community week using JAX/Flax for NLP & CV 活动期间开发的。我们将其作为 Train the Best Sentence Embedding Model Ever with 1B Training Pairs 项目的一部分进行开发。我们借助高效的硬件基础设施来运行该项目，使用了 7 个 TPU v3 - 8，并得到了谷歌 Flax、JAX 和云团队成员在高效深度学习框架方面的支持。

预期用途

我们的模型旨在用作句子和短段落编码器。给定输入文本，它会输出一个捕获语义信息的向量。该句子向量可用于信息检索、聚类或句子相似度任务。

默认情况下，输入文本长度超过 384 个词块时会被截断。

训练过程

预训练

我们使用了预训练的 microsoft/mpnet-base 模型。有关预训练过程的更多详细信息，请参考该模型的卡片。

微调

我们使用对比目标对模型进行微调。具体来说，我们计算批次中每个可能句子对的余弦相似度，然后通过与真实对进行比较来应用交叉熵损失。

超参数

我们在 TPU v3 - 8 上训练模型。训练共进行 100k 步，批次大小为 1024（每个 TPU 核心 128）。我们使用 500 步的学习率预热。序列长度限制为 128 个标记。我们使用 AdamW 优化器，学习率为 2e - 5。完整的训练脚本可在当前仓库中找到：train_script.py。

训练数据

我们使用多个数据集的组合来微调模型。句子对的总数超过 10 亿。我们根据加权概率对每个数据集进行采样，具体配置详情见 data_config.json 文件。

📄 许可证

本项目采用 Apache - 2.0 许可证。