All Mpnet Base V2 Feature Extraction

🚀 all-mpnet-base-v2克隆版

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。

此模型与官方模型的唯一区别在于，本 README.md 文件中修改了 pipeline_tag: feature-extraction。

🚀 快速开始

✨ 主要特性

• 能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。

📦 安装指南

如果你安装了 sentence-transformers，使用该模型会很方便：

pip install -U sentence-transformers

💻 使用示例

基础用法

使用 sentence-transformers 库时：

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

不使用 sentence-transformers 库时，你可以这样使用该模型：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

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

背景

该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，并在一个包含 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。

我们是在 Hugging Face 组织的 Community week using JAX/Flax for NLP & CV 期间开发此模型的。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：7 个 TPU v3 - 8，以及谷歌 Flax、JAX 和云团队成员在高效深度学习框架方面的指导。

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。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，长度超过 384 个词块的输入文本会被截断。

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。形式上，我们计算批次中每个可能的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。我们使用 1024 的批量大小（每个 TPU 核心 128）进行了 100k 步的训练。我们使用了 500 的学习率预热。序列长度限制为 128 个标记。我们使用了 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，具体配置在 data_config.json 文件中详细说明。

📄 许可证

本项目采用 Apache - 2.0 许可证。