All Datasets V3 Mpnet Base

🚀 all - mpnet - base - v1

这是一个句子转换器模型：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

✨ 主要特性

• 能够将句子和段落映射到768维的密集向量空间。
• 可用于聚类、语义搜索等多种自然语言处理任务。

📦 安装指南

如果你已经安装了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（Sentence - Transformers）

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

model = SentenceTransformer('sentence-transformers/all-mpnet-base-v1')
embeddings = model.encode(sentences)
print(embeddings)

高级用法（HuggingFace Transformers）

如果没有安装sentence - transformers，你可以这样使用该模型：首先，将输入数据通过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-v1')
model = AutoModel.from_pretrained('sentence-transformers/all-mpnet-base-v1')

# 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，请参考句子嵌入基准：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](https://huggingface.co/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。我们采用了对比学习目标：给定一对句子中的一个句子，模型应该预测在一组随机采样的其他句子中，哪一个实际上是与它在数据集中配对的。

我们是在由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](https://discuss.huggingface.co/t/open - to - the - community - community - week - using - jax - flax - for - nlp - cv/7104)期间开发这个模型的。我们将该模型作为项目[使用10亿个训练对训练有史以来最好的句子嵌入模型](https://discuss.huggingface.co/t/train - the - best - sentence - embedding - model - ever - with - 1b - training - pairs/7354)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，超过128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](https://huggingface.co/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。我们使用512的批次大小（每个TPU核心64）进行了920k步的训练。我们使用了500步的学习率预热。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。完整的训练脚本可以在当前仓库中找到：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。