Dense Encoder Msmarco Distilbert Word2vec256k MLM 445k Emb Updated

🚀 dense_encoder-msmarco-distilbert-word2vec256k-MLM_445k

本模型用于句子相似度计算，能够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

本模型基于 vocab-transformers/msmarco-distilbert-word2vec256k-MLM_445k，其词汇表大小为256k，使用word2vec初始化，并通过MLM训练了445k步。注意：词元嵌入已更新！

该模型在MS MARCO数据集上使用 MarginMSELoss 进行训练。具体训练脚本请参考本仓库中的 train_script.py。注意：词元嵌入已更新！

性能表现

• MS MARCO开发集：34.94 (MRR@10)
• TREC-DL 2019：66.72 (nDCG@10)
• TREC-DL 2020：69.14 (nDCG@10)

✨ 主要特性

• 基于预训练模型，具有较好的泛化能力。
• 可将句子和段落映射到768维的密集向量空间，适用于多种自然语言处理任务。

📦 安装指南

若要使用该模型，你需要安装 sentence-transformers：

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）

在没有安装 sentence-transformers 的情况下，你可以按以下方式使用该模型：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

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

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})
)

🔧 技术细节

本模型基于预训练的DistilBertModel，通过MLM任务对词元嵌入进行更新，并在MS MARCO数据集上使用MarginMSELoss进行训练。在使用时，可根据具体任务选择合适的池化操作，将句子和段落映射到768维的密集向量空间。

📄 许可证

文档未提及许可证相关信息，如需了解请进一步查阅相关资料。