Arguana Distilbert Tas B Gpl Self Miner

🚀 {MODEL_NAME}

这是一个 句子转换器（sentence-transformers） 模型：它可以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。

🚀 快速开始

📦 安装指南

如果你已经安装了 句子转换器（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

使用 sentence-transformers 库调用模型：

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

model = SentenceTransformer('{MODEL_NAME}')
embeddings = model.encode(sentences)
print(embeddings)

高级用法

不使用 sentence-transformers 库，使用 transformers 库调用模型：

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('{MODEL_NAME}')
model = AutoModel.from_pretrained('{MODEL_NAME}')

# 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

有关此模型的自动评估，请参阅 句子嵌入基准（Sentence Embeddings Benchmark）：https://seb.sbert.net

🔧 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 140000，参数如下：

  {'batch_size': 32, 'sampler': 'torch.utils.data.sampler.SequentialSampler', 'batch_sampler': 'torch.utils.data.sampler.BatchSampler'}
  

• 损失函数（Loss）： gpl.toolkit.loss.MarginDistillationLoss
• fit() 方法的参数：

  {
      "epochs": 1,
      "evaluation_steps": 0,
      "evaluator": "NoneType",
      "max_grad_norm": 1,
      "optimizer_class": "<class 'transformers.optimization.AdamW'>",
      "optimizer_params": {
          "lr": 2e-05
      },
      "scheduler": "WarmupLinear",
      "steps_per_epoch": 140000,
      "warmup_steps": 1000,
      "weight_decay": 0.01
  }
  

完整模型架构

SentenceTransformer(
  (0): Transformer({'max_seq_length': 350, '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