HPD TinyBERT F128

🚀 HPD-TinyBERT-F128

本仓库包含了我们论文 Compressing Sentence Representation for Semantic Retrieval via Homomorphic Projective Distillation 的预训练模型。该句子嵌入模型仅包含 1400 万个参数，模型大小仅为 55MB。

🚀 快速开始

当你安装了 sentence-transformers 后，使用这个模型就变得很简单：

pip install -U sentence-transformers

安装完该包后，你可以轻松加载我们的模型：

from sentence_transformers import SentenceTransformer
model = SentenceTransformer('Xuandong/HPD-TinyBERT-F128')

然后你可以使用我们的模型将 句子编码为嵌入向量：

sentences = ['He plays guitar.', 'A street vendor is outside.']
sentence_embeddings = model.encode(sentences)

for sentence, embedding in zip(sentences, sentence_embeddings):
    print("Sentence:", sentence)
    print("Embedding:", embedding)
    print("")

✨ 主要特性

我们提出了 同态投影蒸馏（HPD） 方法来学习压缩的句子嵌入。我们的方法通过可学习的投影层增强小型 Transformer 编码器模型，以生成紧凑的表示，同时模仿大型预训练语言模型来保持句子表示的质量。

📦 安装指南

使用这个模型，你需要安装 sentence-transformers：

pip install -U sentence-transformers

💻 使用示例

基础用法

from sentence_transformers import SentenceTransformer
model = SentenceTransformer('Xuandong/HPD-TinyBERT-F128')
sentences = ['He plays guitar.', 'A street vendor is outside.']
sentence_embeddings = model.encode(sentences)

for sentence, embedding in zip(sentences, sentence_embeddings):
    print("Sentence:", sentence)
    print("Embedding:", embedding)
    print("")

📚 详细文档

这是一个 sentence-transformers 模型：它可以将句子和段落映射到 128 维的密集向量空间，可用于聚类或语义搜索等任务。

教师模型是 princeton-nlp/sup-simcse-roberta-large，学生模型是 nreimers/TinyBERT_L-4_H-312_v2。

评估结果

我们在语义文本相似度（STS）任务上评估了我们的模型，结果如下：

训练详情

有关训练的详细信息，请参考 GitHub 仓库 (https://github.com/XuandongZhao/HPD)。

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': 312, 'pooling_mode_cls_token': False, 'pooling_mode_mean_tokens': True, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False})
  (2): Dense({'in_features': 312, 'out_features': 128, 'bias': True, 'activation_function': 'torch.nn.modules.activation.Tanh'})
)

📄 许可证

本项目采用 Apache - 2.0 许可证。

📚 引用

如果您在工作中使用了 HPD，请引用我们的论文：

@article{zhao2022compressing,
  title={Compressing Sentence Representation for Semantic Retrieval via Homomorphic Projective Distillation},
  author={Zhao, Xuandong and Yu, Zhiguo and Wu, Ming and Li, Lei},
  journal={arXiv preprint arXiv:2203.07687},
  year={2022}
}