Dense Encoder Msmarco Distilbert Word2vec256k

🚀 dense_encoder-msmarco-distilbert-word2vec256k

本模型基于 msmarco-word2vec256000-distilbert-base-uncased，使用 word2vec 初始化了一个大小为 256k 的词汇表。它在 MS MARCO 数据集上进行了训练，可用于句子相似度计算等任务，为文本特征提取提供了有效的解决方案。

🚀 快速开始

本模型可以通过 sentence-transformers 库或 HuggingFace Transformers 库使用，下面为你详细介绍使用方法。

✨ 主要特性

• 词汇表初始化：使用 word2vec 初始化 256k 大小的词汇表。
• 训练数据：在 MS MARCO 数据集上进行训练。
• 性能表现：在多个数据集上有不错的表现，如 TREC - DL 2019 的 nDCG@10 为 65.53，TREC - DL 2020 的 nDCG@10 为 67.42，4 个 BEIR 数据集的平均表现为 38.97。
• 训练设置：训练时冻结了词嵌入矩阵，使用 MarginMSELoss 进行训练。

📦 安装指南

若要使用 sentence-transformers 库调用本模型，需先安装该库：

pip install -U sentence-transformers

💻 使用示例

基础用法（Sentence - Transformers）

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（HuggingFace Transformers）

不使用 sentence-transformers 库时，你可以按如下方式使用模型。首先，将输入数据传入 Transformer 模型，然后对上下文词嵌入应用合适的池化操作：

from transformers import AutoTokenizer, AutoModel
import torch


#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('{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, mean pooling.
sentence_embeddings = mean_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

本模型的训练参数如下：

数据加载器： torch.utils.data.dataloader.DataLoader，长度为 7858，参数如下：

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

损失函数： sentence_transformers.losses.MarginMSELoss.MarginMSELoss

fit() 方法的参数：

{
    "epochs": 30,
    "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": null,
    "warmup_steps": 1000,
    "weight_decay": 0.01
}

完整模型架构

SentenceTransformer(
  (0): Transformer({'max_seq_length': 250, 'do_lower_case': False}) with Transformer model: DistilBertModel 
  (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})
)

引用与作者

如需更多信息，请参考相关文档。