All Datasets V4 MiniLM L12

🚀 句子相似度模型

本项目旨在使用自监督对比学习目标，在超大规模的句子级数据集上训练句子嵌入模型。通过该模型，能够将输入的句子转化为向量，捕捉句子语义信息，可广泛应用于信息检索、聚类或句子相似度等任务。

🚀 快速开始

本模型可作为句子编码器使用。输入一个句子，它将输出一个能捕捉句子语义信息的向量。该句子向量可用于信息检索、聚类或句子相似度任务。

✨ 主要特性

• 基于自监督对比学习目标，在大规模句子级数据集上训练。
• 使用预训练的 'MiniLM-L12' 模型，并在 10 亿个句子对上进行微调。
• 可用于信息检索、聚类或句子相似度任务。

📦 安装指南

本 README 未提供安装相关内容，若需使用可参考 SentenceTransformers 库的安装说明。

💻 使用示例

基础用法

from sentence_transformers import SentenceTransformer

model = SentenceTransformer('flax-sentence-embeddings/all_datasets_v4_MiniLM-L12')
text = "Replace me by any text you'd like."
text_embbedding = model.encode(text)
# array([-0.01559514,  0.04046123,  0.1317083 ,  0.00085931,  0.04585106,
#        -0.05607086,  0.0138078 ,  0.03569756,  0.01420381,  0.04266302 ...],
#        dtype=float32)

📚 详细文档

模型描述

本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 'MiniLM-L12' 模型，并在 10 亿个句子对上进行了微调。我们使用对比学习目标：给定一对句子中的一个句子，模型应预测在一组随机采样的其他句子中，哪个句子实际上在我们的数据集中与它配对。

我们在由 Hugging Face 组织的 使用 JAX/Flax 进行自然语言处理和计算机视觉的社区周 期间开发了此模型。我们将此模型作为项目 使用 10 亿个训练对训练有史以来最好的句子嵌入模型 的一部分进行开发。我们受益于高效的硬件基础设施来运行该项目：7 个 TPU v3 - 8，以及谷歌的 Flax、JAX 和云团队成员在高效深度学习框架方面的支持。

预期用途

我们的模型旨在用作句子编码器。给定一个输入句子，它会输出一个捕捉句子语义信息的向量。该句子向量可用于信息检索、聚类或句子相似度任务。

🔧 技术细节

训练过程

预训练

我们使用预训练的 'MiniLM-L12' 模型。有关预训练过程的更多详细信息，请参考模型卡片。

微调

我们使用对比目标对模型进行微调。具体来说，我们计算批次中每对可能句子的余弦相似度，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。训练步数为 540k，批次大小为 1024（每个 TPU 核心 128）。学习率预热步数为 500。序列长度限制为 128 个标记。我们使用 AdamW 优化器，学习率为 2e - 5。完整的训练脚本可在当前存储库中找到。

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。