All MiniLM L6 V2

🚀 ONNX转换all-MiniLM-L6-v2

本项目主要实现了对sentence-transformers/all-MiniLM-L6-v2模型的ONNX转换。该模型可将句子和段落映射到384维的密集向量空间，适用于聚类或语义搜索等任务。

🚀 快速开始

安装依赖

若已安装sentence-transformers，使用该模型将十分便捷：

pip install -U sentence-transformers

基本使用

使用sentence-transformers库

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

model = SentenceTransformer('sentence-transformers/all-MiniLM-L6-v2')
embeddings = model.encode(sentences)
print(embeddings)

使用HuggingFace Transformers库

若未安装sentence-transformers，可按以下方式使用模型：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
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-MiniLM-L6-v2')
model = AutoModel.from_pretrained('sentence-transformers/all-MiniLM-L6-v2')

# 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)

评估结果

若需对该模型进行自动评估，可参考Sentence Embeddings Benchmark：https://seb.sbert.net

✨ 主要特性

背景

本项目旨在使用自监督对比学习目标，在超大型句子级数据集上训练句子嵌入模型。我们使用预训练的nreimers/MiniLM-L6-H384-uncased模型，并在包含10亿个句子对的数据集上进行微调。采用对比学习目标，即给定一对句子中的一个，模型应从一组随机采样的其他句子中预测出在数据集中实际与之配对的句子。

该模型由Hugging Face组织的使用JAX/Flax进行NLP和CV的社区周活动期间开发，是使用10亿训练对训练史上最佳句子嵌入模型项目的一部分。项目运行得益于高效的硬件基础设施，包括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支持。

预期用途

该模型旨在用作句子和短段落编码器。给定输入文本，它将输出一个捕获语义信息的向量。该句子向量可用于信息检索、聚类或句子相似度任务。默认情况下，输入文本长度超过256个词块时将被截断。

🔧 技术细节

训练过程

预训练

我们使用预训练的nreimers/MiniLM-L6-H384-uncased模型，更多预训练过程的详细信息请参考该模型的说明文档。

微调

我们使用对比目标对模型进行微调。具体而言，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应用交叉熵损失。

超参数

模型在TPU v3 - 8上训练100k步，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。使用AdamW优化器，学习率为2e - 5。完整的训练脚本可在当前仓库中找到：train_script.py。

训练数据

我们使用多个数据集的组合来微调模型，句子对总数超过10亿。每个数据集根据加权概率进行采样，具体配置详见data_config.json文件。

📄 许可证

本项目采用Apache - 2.0许可证。