Msmarco Distilbert Base Tas B Mmarco Pt 300k

🚀 mpjan/msmarco-distilbert-base-tas-b-mmarco-pt-300k

这是一个 sentence-transformers 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。该模型是在 unicamp-dl/mmarco 葡萄牙语子集的前 300k 三元组上对 sentence-transformers/msmarco-distilbert-base-tas-b 进行微调得到的。

🚀 快速开始

本模型可以通过 sentence-transformers 库或 HuggingFace Transformers 库使用，下面将分别介绍使用方法。

📦 安装指南

若要使用 sentence-transformers 库，可通过以下命令进行安装：

pip install -U sentence-transformers

💻 使用示例

基础用法（Sentence-Transformers）

使用 sentence-transformers 库时，可按以下代码使用本模型：

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

model = SentenceTransformer('mpjan/msmarco-distilbert-base-tas-b-mmarco-pt-300k')
embeddings = model.encode(sentences)
print(embeddings)

高级用法（HuggingFace Transformers）

若不使用 sentence-transformers 库，可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


def cls_pooling(model_output, attention_mask):
    return model_output[0][:,0]


# 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('mpjan/msmarco-distilbert-base-tas-b-mmarco-pt-300k')
model = AutoModel.from_pretrained('mpjan/msmarco-distilbert-base-tas-b-mmarco-pt-300k')

# 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. In this case, cls pooling.
sentence_embeddings = cls_pooling(model_output, encoded_input['attention_mask'])

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，可参考 Sentence Embeddings Benchmark：https://seb.sbert.net

训练参数

本模型的训练参数如下：

数据加载器

使用 torch.utils.data.dataloader.DataLoader，长度为 18750，参数如下：

{'batch_size': 16, 'sampler': 'torch.utils.data.sampler.RandomSampler', 'batch_sampler': 'torch.utils.data.sampler.BatchSampler'}

损失函数

使用 sentence_transformers.losses.TripletLoss.TripletLoss，参数如下：

{'distance_metric': 'TripletDistanceMetric.EUCLIDEAN', 'triplet_margin': 5}

拟合方法参数

{
    "epochs": 5,
    "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": 9375,
    "weight_decay": 0.01
}

完整模型架构

SentenceTransformer(
  (0): Transformer({'max_seq_length': 512, 'do_lower_case': False}) with Transformer model: DistilBertModel 
  (1): Pooling({'word_embedding_dimension': 768, 'pooling_mode_cls_token': True, 'pooling_mode_mean_tokens': False, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False})
)

引用与作者

如需获取更多信息，请参考相关文档。

信息表格