Mind Map Blog Model
这是一个从sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2微调的句子转换器模型,可将文本映射到384维向量空间,用于语义相似度计算等任务
下载量 463
发布时间 : 10/30/2024
模型简介
该模型将句子和段落映射到384维密集向量空间,可用于语义文本相似性、语义搜索、复述挖掘、文本分类、聚类等任务
模型特点
多语言支持
基于multilingual-MiniLM架构,支持多种语言的文本嵌入
高效轻量
采用MiniLM架构,在保持性能的同时减少模型大小
语义相似度计算
专为句子相似度任务优化,使用余弦相似度衡量语义相关性
模型能力
语义文本相似度计算
语义搜索
复述挖掘
文本分类
文本聚类
使用案例
信息检索
相似问题匹配
在问答系统中匹配语义相似的问题
可准确识别如'公务员考试准备时间'和'准备公务员考试的平均时间是多久'等语义相似问题
内容管理
重复内容检测
识别不同表述但含义相同的内容
可检测到'如何提高英语发音'和'如何提高英语单词发音'等复述内容
🚀 基于sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2的句子转换器模型
本项目基于 sentence-transformers 框架,对 sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2 模型进行微调。该模型可将句子和段落映射到384维的密集向量空间,适用于语义文本相似度计算、语义搜索、释义挖掘、文本分类、聚类等多种自然语言处理任务。
🚀 快速开始
安装依赖库
首先,你需要安装 sentence-transformers
库:
pip install -U sentence-transformers
加载模型并进行推理
from sentence_transformers import SentenceTransformer
# 从 🤗 Hub 下载模型
model = SentenceTransformer("sentence_transformers_model_id")
# 进行推理
sentences = [
"What was Nikola Tesla's IQ?",
'Did Nikola Tesla have children?',
'What hotel in Raipur would be safe for unmarried couples, without the harassment of police, hotel staff, and moral police?',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 384]
# 获取嵌入向量的相似度分数
similarities = model.similarity(embeddings, embeddings)
print(similarities.shape)
# [3, 3]
✨ 主要特性
- 多语言支持:基于多语言的基础模型,能够处理多种语言的句子和段落。
- 高效的向量映射:将文本映射到384维的密集向量空间,便于进行语义相似度计算和其他自然语言处理任务。
- 多种应用场景:可用于语义文本相似度计算、语义搜索、释义挖掘、文本分类、聚类等。
📦 安装指南
安装 sentence-transformers
库:
pip install -U sentence-transformers
💻 使用示例
基础用法
from sentence_transformers import SentenceTransformer
# 从 🤗 Hub 下载模型
model = SentenceTransformer("sentence_transformers_model_id")
# 进行推理
sentences = [
"What was Nikola Tesla's IQ?",
'Did Nikola Tesla have children?',
'What hotel in Raipur would be safe for unmarried couples, without the harassment of police, hotel staff, and moral police?',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 384]
# 获取嵌入向量的相似度分数
similarities = model.similarity(embeddings, embeddings)
print(similarities.shape)
# [3, 3]
📚 详细文档
模型详情
模型描述
属性 | 详情 |
---|---|
模型类型 | 句子转换器 |
基础模型 | sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2 |
最大序列长度 | 128 个词元 |
输出维度 | 384 个词元 |
相似度函数 | 余弦相似度 |
模型来源
- 文档:Sentence Transformers 文档
- 代码仓库:GitHub 上的 Sentence Transformers
- Hugging Face:Hugging Face 上的 Sentence Transformers
完整模型架构
SentenceTransformer(
(0): Transformer({'max_seq_length': 128, 'do_lower_case': False}) with Transformer model: BertModel
(1): Pooling({'word_embedding_dimension': 384, 'pooling_mode_cls_token': False, 'pooling_mode_mean_tokens': True, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False, 'pooling_mode_weightedmean_tokens': False, 'pooling_mode_lasttoken': False, 'include_prompt': True})
)
训练详情
训练数据集
- 未命名数据集
- 规模:101,072 个训练样本
- 列名:
sentence_0
、sentence_1
和label
- 基于前1000个样本的近似统计信息:
sentence_0
sentence_1
label
类型 字符串 字符串 浮点数 详情 - 最小值: 6 个词元
- 平均值: 16.52 个词元
- 最大值: 59 个词元
- 最小值: 6 个词元
- 平均值: 16.55 个词元
- 最大值: 78 个词元
- 最小值: 0.0
- 平均值: 0.37
- 最大值: 1.0
- 样本示例:
sentence_0
sentence_1
label
How can I improve my pronunciation of English words?
How can I improve my pronunciation in English?
1.0
How can I increase my attractiveness?
How do I increase my attraction towards someone?
0.0
What are the best places to work in?
Which are the best places to work in india?
0.0
- 损失函数:
MultipleNegativesRankingLoss
,参数如下:{ "scale": 20.0, "similarity_fct": "cos_sim" }
训练超参数
非默认超参数
per_device_train_batch_size
: 16per_device_eval_batch_size
: 16num_train_epochs
: 1multi_dataset_batch_sampler
: round_robin
所有超参数
点击展开
overwrite_output_dir
: Falsedo_predict
: Falseeval_strategy
: noprediction_loss_only
: Trueper_device_train_batch_size
: 16per_device_eval_batch_size
: 16per_gpu_train_batch_size
: Noneper_gpu_eval_batch_size
: Nonegradient_accumulation_steps
: 1eval_accumulation_steps
: Nonetorch_empty_cache_steps
: Nonelearning_rate
: 5e-05weight_decay
: 0.0adam_beta1
: 0.9adam_beta2
: 0.999adam_epsilon
: 1e-08max_grad_norm
: 1num_train_epochs
: 1max_steps
: -1lr_scheduler_type
: linearlr_scheduler_kwargs
: {}warmup_ratio
: 0.0warmup_steps
: 0log_level
: passivelog_level_replica
: warninglog_on_each_node
: Truelogging_nan_inf_filter
: Truesave_safetensors
: Truesave_on_each_node
: Falsesave_only_model
: Falserestore_callback_states_from_checkpoint
: Falseno_cuda
: Falseuse_cpu
: Falseuse_mps_device
: Falseseed
: 42data_seed
: Nonejit_mode_eval
: Falseuse_ipex
: Falsebf16
: Falsefp16
: Falsefp16_opt_level
: O1half_precision_backend
: autobf16_full_eval
: Falsefp16_full_eval
: Falsetf32
: Nonelocal_rank
: 0ddp_backend
: Nonetpu_num_cores
: Nonetpu_metrics_debug
: Falsedebug
: []dataloader_drop_last
: Falsedataloader_num_workers
: 0dataloader_prefetch_factor
: Nonepast_index
: -1disable_tqdm
: Falseremove_unused_columns
: Truelabel_names
: Noneload_best_model_at_end
: Falseignore_data_skip
: Falsefsdp
: []fsdp_min_num_params
: 0fsdp_config
: {'min_num_params': 0, 'xla': False, 'xla_fsdp_v2': False, 'xla_fsdp_grad_ckpt': False}fsdp_transformer_layer_cls_to_wrap
: Noneaccelerator_config
: {'split_batches': False, 'dispatch_batches': None, 'even_batches': True, 'use_seedable_sampler': True, 'non_blocking': False, 'gradient_accumulation_kwargs': None}deepspeed
: Nonelabel_smoothing_factor
: 0.0optim
: adamw_torchoptim_args
: Noneadafactor
: Falsegroup_by_length
: Falselength_column_name
: lengthddp_find_unused_parameters
: Noneddp_bucket_cap_mb
: Noneddp_broadcast_buffers
: Falsedataloader_pin_memory
: Truedataloader_persistent_workers
: Falseskip_memory_metrics
: Trueuse_legacy_prediction_loop
: Falsepush_to_hub
: Falseresume_from_checkpoint
: Nonehub_model_id
: Nonehub_strategy
: every_savehub_private_repo
: Falsehub_always_push
: Falsegradient_checkpointing
: Falsegradient_checkpointing_kwargs
: Noneinclude_inputs_for_metrics
: Falseeval_do_concat_batches
: Truefp16_backend
: autopush_to_hub_model_id
: Nonepush_to_hub_organization
: Nonemp_parameters
:auto_find_batch_size
: Falsefull_determinism
: Falsetorchdynamo
: Noneray_scope
: lastddp_timeout
: 1800torch_compile
: Falsetorch_compile_backend
: Nonetorch_compile_mode
: Nonedispatch_batches
: Nonesplit_batches
: Noneinclude_tokens_per_second
: Falseinclude_num_input_tokens_seen
: Falseneftune_noise_alpha
: Noneoptim_target_modules
: Nonebatch_eval_metrics
: Falseeval_on_start
: Falseuse_liger_kernel
: Falseeval_use_gather_object
: Falsebatch_sampler
: batch_samplermulti_dataset_batch_sampler
: round_robin
训练日志
轮次 | 步数 | 训练损失 |
---|---|---|
0.0792 | 500 | 0.3521 |
0.1583 | 1000 | 0.3428 |
0.2375 | 1500 | 0.3234 |
0.3166 | 2000 | 0.2888 |
0.3958 | 2500 | 0.3205 |
0.4749 | 3000 | 0.2975 |
0.5541 | 3500 | 0.2854 |
0.6332 | 4000 | 0.2913 |
0.7124 | 4500 | 0.2991 |
0.7915 | 5000 | 0.292 |
0.8707 | 5500 | 0.3149 |
0.9498 | 6000 | 0.289 |
框架版本
- Python: 3.9.20
- Sentence Transformers: 3.1.1
- Transformers: 4.45.1
- PyTorch: 2.4.1+cpu
- Accelerate: 0.34.2
- Datasets: 3.0.1
- Tokenizers: 0.20.0
📄 许可证
本项目的相关引用信息如下:
BibTeX
Sentence Transformers
@inproceedings{reimers-2019-sentence-bert,
title = "Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks",
author = "Reimers, Nils and Gurevych, Iryna",
booktitle = "Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing",
month = "11",
year = "2019",
publisher = "Association for Computational Linguistics",
url = "https://arxiv.org/abs/1908.10084",
}
MultipleNegativesRankingLoss
@misc{henderson2017efficient,
title={Efficient Natural Language Response Suggestion for Smart Reply},
author={Matthew Henderson and Rami Al-Rfou and Brian Strope and Yun-hsuan Sung and Laszlo Lukacs and Ruiqi Guo and Sanjiv Kumar and Balint Miklos and Ray Kurzweil},
year={2017},
eprint={1705.00652},
archivePrefix={arXiv},
primaryClass={cs.CL}
}
Jina Embeddings V3
Jina Embeddings V3 是一个多语言句子嵌入模型,支持超过100种语言,专注于句子相似度和特征提取任务。
文本嵌入
Transformers 支持多种语言

J
jinaai
3.7M
911
Ms Marco MiniLM L6 V2
Apache-2.0
基于MS Marco段落排序任务训练的交叉编码器模型,用于信息检索中的查询-段落相关性评分
文本嵌入 英语
M
cross-encoder
2.5M
86
Opensearch Neural Sparse Encoding Doc V2 Distill
Apache-2.0
基于蒸馏技术的稀疏检索模型,专为OpenSearch优化,支持免推理文档编码,在搜索相关性和效率上优于V1版本
文本嵌入
Transformers 英语

O
opensearch-project
1.8M
7
Sapbert From PubMedBERT Fulltext
Apache-2.0
基于PubMedBERT的生物医学实体表征模型,通过自对齐预训练优化语义关系捕捉
文本嵌入 英语
S
cambridgeltl
1.7M
49
Gte Large
MIT
GTE-Large 是一个强大的句子转换器模型,专注于句子相似度和文本嵌入任务,在多个基准测试中表现出色。
文本嵌入 英语
G
thenlper
1.5M
278
Gte Base En V1.5
Apache-2.0
GTE-base-en-v1.5 是一个英文句子转换器模型,专注于句子相似度任务,在多个文本嵌入基准测试中表现优异。
文本嵌入
Transformers 支持多种语言

G
Alibaba-NLP
1.5M
63
Gte Multilingual Base
Apache-2.0
GTE Multilingual Base 是一个多语言的句子嵌入模型,支持超过50种语言,适用于句子相似度计算等任务。
文本嵌入
Transformers 支持多种语言

G
Alibaba-NLP
1.2M
246
Polybert
polyBERT是一个化学语言模型,旨在实现完全由机器驱动的超快聚合物信息学。它将PSMILES字符串映射为600维密集指纹,以数值形式表示聚合物化学结构。
文本嵌入
Transformers

P
kuelumbus
1.0M
5
Bert Base Turkish Cased Mean Nli Stsb Tr
Apache-2.0
基于土耳其语BERT的句子嵌入模型,专为语义相似度任务优化
文本嵌入
Transformers 其他

B
emrecan
1.0M
40
GIST Small Embedding V0
MIT
基于BAAI/bge-small-en-v1.5模型微调的文本嵌入模型,通过MEDI数据集与MTEB分类任务数据集训练,优化了检索任务的查询编码能力。
文本嵌入
Safetensors 英语
G
avsolatorio
945.68k
29
精选推荐AI模型
Llama 3 Typhoon V1.5x 8b Instruct
专为泰语设计的80亿参数指令模型,性能媲美GPT-3.5-turbo,优化了应用场景、检索增强生成、受限生成和推理任务
大型语言模型
Transformers 支持多种语言

L
scb10x
3,269
16
Cadet Tiny
Openrail
Cadet-Tiny是一个基于SODA数据集训练的超小型对话模型,专为边缘设备推理设计,体积仅为Cosmo-3B模型的2%左右。
对话系统
Transformers 英语

C
ToddGoldfarb
2,691
6
Roberta Base Chinese Extractive Qa
基于RoBERTa架构的中文抽取式问答模型,适用于从给定文本中提取答案的任务。
问答系统 中文
R
uer
2,694
98