Esci MiniLM L6 V2

🚀 metarank/esci-MiniLM-L6-v2

这是一个 sentence-transformers 模型，它可以将句子和段落映射到一个 384 维的密集向量空间，可用于聚类或语义搜索等任务。该模型是在 Amazon ESCI 数据集 上对 sentence-transformers/all-MiniLM-L6-v2 模型进行微调得到的。

🚀 快速开始

当你安装了 sentence-transformers 后，使用这个模型就变得很简单：

pip install -U sentence-transformers

然后你可以像这样使用该模型：

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

model = SentenceTransformer('metarank/esci-MiniLM-L6-v2')
embeddings = model.encode(sentences)
print(embeddings)

✨ 主要特性

• 能够将句子和段落映射到 384 维的密集向量空间。
• 适用于聚类和语义搜索等任务。
• 基于 Amazon ESCI 数据集对 all-MiniLM-L6-v2 模型进行了微调。

📦 安装指南

使用以下命令安装 sentence-transformers：

pip install -U sentence-transformers

💻 使用示例

基础用法

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

model = SentenceTransformer('metarank/esci-MiniLM-L6-v2')
embeddings = model.encode(sentences)
print(embeddings)

🔧 技术细节

训练参数

该模型使用以下参数进行训练：

数据加载器（DataLoader）： torch.utils.data.dataloader.DataLoader，长度为 769，参数如下：

{'batch_size': 128, 'sampler': 'torch.utils.data.sampler.RandomSampler', 'batch_sampler': 'torch.utils.data.sampler.BatchSampler'}

损失函数（Loss）： sentence_transformers.losses.MultipleNegativesRankingLoss.MultipleNegativesRankingLoss，参数如下：

{'scale': 20.0, 'similarity_fct': 'cos_sim'}

fit() 方法的参数：

{
    "epochs": 1,
    "evaluation_steps": 0,
    "evaluator": "NoneType",
    "max_grad_norm": 1,
    "optimizer_class": "<class 'torch.optim.adamw.AdamW'>",
    "optimizer_params": {
        "lr": 2e-05
    },
    "scheduler": "WarmupLinear",
    "steps_per_epoch": null,
    "warmup_steps": 1000,
    "weight_decay": 0.01
}

完整模型架构

SentenceTransformer(
  (0): Transformer({'max_seq_length': 128, 'do_lower_case': False}) with Transformer model: BertModel 
  (1): Pooling({'word_embedding_dimension': 384, 'pooling_mode_cls_token': False, 'pooling_mode_mean_tokens': True, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False})
  (2): Normalize()
)

📄 许可证

文档中未提及相关许可证信息。

📚 引用与作者

• 作者：Roman Grebennikov