All MiniLM L6 V2 Pubmed Full

🚀 tavakolih/all-MiniLM-L6-v2-pubmed-full

这是一个句子转换器模型，它可以将句子和段落映射到384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

当你安装了句子转换器后，使用这个模型会变得很容易。

📦 安装指南

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('tavakolih/all-MiniLM-L6-v2-pubmed-full')
embeddings = model.encode(sentences)
print(embeddings)

📚 详细文档

评估结果

要对这个模型进行自动评估，请参考 句子嵌入基准测试：https://seb.sbert.net

训练情况

该模型使用以下参数进行训练：

数据加载器： torch.utils.data.dataloader.DataLoader，长度为221，参数如下：

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

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

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

fit() 方法的参数：

{
    "epochs": 10,
    "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": 10000,
    "weight_decay": 0.01
}

完整模型架构

SentenceTransformer(
  (0): Transformer({'max_seq_length': 256, '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()
)

引用与作者