🚀 WebLINX: 基于多轮对话的真实世界网站导航
WebLINX是一个用于真实世界网站导航的模型,借助多轮对话的方式,能够更高效地实现网站导航功能。
🚀 快速开始
本项目提供了论文、网站、探索器、数据集和代码的访问链接,方便用户快速了解和使用:
✨ 主要特性
- 本模型基于Sentence Transformers,可将句子和段落映射到384维的密集向量空间,适用于聚类或语义搜索等任务。
- 在WebLINX数据集上进行微调,使用了之前在Huggingface Hub上发布的检查点。
📦 安装指南
若要使用此模型,需安装sentence-transformers
:
pip install -U sentence-transformers
💻 使用示例
基础用法
当安装了sentence-transformers
后,可按如下方式使用模型:
from sentence_transformers import SentenceTransformer
sentences = ["This is an example sentence", "Each sentence is converted"]
model = SentenceTransformer('McGill-NLP/MiniLM-L6-dmr')
embeddings = model.encode(sentences)
print(embeddings)
高级用法
若未安装sentence-transformers
,可按以下步骤使用模型:首先将输入传递给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
def mean_pooling(model_output, attention_mask):
token_embeddings = model_output[0]
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 = ['This is an example sentence', 'Each sentence is converted']
tokenizer = AutoTokenizer.from_pretrained('McGill-NLP/MiniLM-L6-dmr')
model = AutoModel.from_pretrained('McGill-NLP/MiniLM-L6-dmr')
encoded_input = tokenizer(sentences, padding=True, truncation=True, return_tensors='pt')
with torch.no_grad():
model_output = model(**encoded_input)
sentence_embeddings = mean_pooling(model_output, encoded_input['attention_mask'])
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,可参考 Sentence Embeddings Benchmark:https://seb.sbert.net
训练参数
模型的训练参数如下:
- 数据加载器:
torch.utils.data.dataloader.DataLoader
,长度为2560,参数如下:{'batch_size': 64, 'sampler': 'torch.utils.data.sampler.RandomSampler', 'batch_sampler': 'torch.utils.data.sampler.BatchSampler'}
- 损失函数:
sentence_transformers.losses.CosineSimilarityLoss.CosineSimilarityLoss
- fit()方法的参数:
{
"epochs": 10,
"evaluation_steps": 0,
"evaluator": "NoneType",
"max_grad_norm": 1,
"optimizer_class": "<class 'torch.optim.adamw.AdamW'>",
"optimizer_params": {
"lr": 3e-05
},
"scheduler": "warmuplinear",
"steps_per_epoch": null,
"warmup_steps": 500,
"weight_decay": 0.0
}
完整模型架构
SentenceTransformer(
(0): Transformer({'max_seq_length': 512, '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})
)
引用与作者
- 作者:Xing Han Lù*, Zdeněk Kasner*, Siva Reddy
- 原模型:点击此处访问原模型