Sentence T5 Base FT Quora Sentence Similarity LG

🚀 DunnBC22/sentence-t5-base-FT-Quora_Sentence_Similarity-LG

这是一个 sentence-transformers 模型，它能将句子和段落映射到一个 768 维的密集向量空间，可用于聚类或语义搜索等任务。

有关该模型的创建方式，更多信息请查看以下链接：https://github.com/DunnBC22/NLP_Projects/blob/main/Semantic_Similarity/Semantic%20Similarity-base.ipynb

🚀 快速开始

📦 安装指南

如果你已经安装了 sentence-transformers，使用这个模型会很容易：

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('DunnBC22/sentence-t5-base-FT-Quora_Sentence_Similarity-LG')
embeddings = model.encode(sentences)
print(embeddings)

📚 详细文档

🔍 评估结果

要对该模型进行自动评估，请查看 Sentence Embeddings Benchmark：https://seb.sbert.net

🔧 技术细节

训练参数

该模型的训练参数如下：

数据加载器： torch.utils.data.dataloader.DataLoader，长度为 4673，参数如下：

{'batch_size': 64, 'sampler': 'torch.utils.data.sampler.RandomSampler', 'batch_sampler': 'torch.utils.data.sampler.BatchSampler'}

损失函数： sentence_transformers.losses.OnlineContrastiveLoss.OnlineContrastiveLoss

fit() 方法的参数：

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

潜在改进

提高该模型效果的一种方法是使用更大的 T5 检查点。此模型是使用 T5-base 检查点进行训练的。

更大的检查点如下：

完整模型架构

SentenceTransformer(
  (0): Transformer({'max_seq_length': 34, 'do_lower_case': False}) with Transformer model: T5EncoderModel 
  (1): Pooling({'word_embedding_dimension': 768, 'pooling_mode_cls_token': False, 'pooling_mode_mean_tokens': True, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False})
  (2): Dense({'in_features': 768, 'out_features': 768, 'bias': False, 'activation_function': 'torch.nn.modules.linear.Identity'})
  (3): Normalize()
)

📄 许可证

数据集来源：https://www.kaggle.com/datasets/quora/question-pairs-dataset