这是一个 sentence-transformers 模型:它能将句子和段落映射到 384 维的稠密向量空间,可用于聚类或语义搜索等任务。
当您安装了 sentence-transformers 后,使用此模型会变得非常简单:
pip install -U sentence-transformers然后你可以像这样使用该模型:
from sentence_transformers import SentenceTransformer
sentences = ["This is an example sentence", "Each sentence is converted"]
model = SentenceTransformer('sentence-transformers/all-MiniLM-L12-v1')
embeddings = model.encode(sentences)
print(embeddings)如果不使用sentence-transformers,您可以这样使用该模型:首先,将输入传递给transformer模型,然后必须在上下文单词嵌入之上应用正确的池化操作。
from openmind 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-L12-v1')
model = AutoModel.from_pretrained('sentence-transformers/all-MiniLM-L12-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)如需对该模型进行自动化评估,请参见 句子嵌入基准测试:https://seb.sbert.net
本项目旨在利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microsoft/MiniLM-L12-H384-uncased模型,并在包含10亿句对的数据集上对其进行微调。我们采用对比学习目标:给定句对中的一个句子,模型需要从一组随机采样的其他句子中预测出在我们的数据集中实际与其配对的句子。
我们在由Hugging Face组织的“使用JAX/Flax进行NLP和计算机视觉的社区周”活动期间开发了此模型。该模型是以下项目的一部分:“使用10亿训练句对训练史上最佳句子嵌入模型”。我们得益于高效的硬件基础设施来运行该项目:7个TPU v3-8,以及来自Google Flax、JAX和云团队成员关于高效深度学习框架的指导。
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。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,超过128个词片的输入文本将被截断。
我们使用预训练的microsoft/MiniLM-L12-H384-uncased模型。有关预训练过程的更多详细信息,请参考该模型卡片。
我们使用对比目标对模型进行微调。具体而言,我们计算批次中每个可能句对的余弦相似度。然后,通过与真实句对进行比较来应用交叉熵损失。
我们在TPU v3-8上训练模型。模型训练了540,000步,批大小为1024(每个TPU核心128)。我们使用500步的学习率预热。序列长度限制为128个token。我们使用AdamW优化器,学习率为2e-5。完整的训练脚本可在当前仓库中获取:train_script.py。
我们使用多个数据集的拼接来微调模型。句对总数超过10亿。我们按照加权概率对每个数据集进行采样,其配置详情在data_config.json文件中。
| 数据集 | 论文 | 训练元组数 |
|---|---|---|
| Reddit评论(2015-2018) | 论文 | 726,484,430 |
| S2ORC 引用对(摘要) | 论文 | 116,288,806 |
| WikiAnswers 重复问题对 | 论文 | 77,427,422 |
| PAQ(问题,答案)对 | 论文 | 64,371,441 |
| S2ORC 引用对(标题) | 论文 | 52,603,982 |
| S2ORC(标题,摘要) | 论文 | 41,769,185 |
| Stack Exchange(标题,正文)对 | - | 25,316,456 |
| MS MARCO 三元组 | 论文 | 9,144,553 |
| GOOAQ:具有多种答案类型的开放问答 | 论文 | 3,012,496 |
| Yahoo Answers(标题,答案) | 论文 | 1,198,260 |
| Code Search | - | 1,151,414 |
| COCO 图像标题 | 论文 | 828,395 |
| SPECTER 引用三元组 | 论文 | 684,100 |
| Yahoo Answers(问题,答案) | 论文 | 681,164 |
| Yahoo Answers(标题,问题) | 论文 | 659,896 |
| SearchQA | 论文 | 582,261 |
| Eli5 | 论文 | 325,475 |
| Flickr 30k | 论文 | 317,695 |
| Stack Exchange 重复问题(标题) | 304,525 | |
| AllNLI(SNLI 和 MultiNLI) | SNLI论文,MultiNLI论文 | 277,230 |
| Stack Exchange 重复问题(正文) | 250,519 | |
| Stack Exchange 重复问题(标题+正文) | 250,460 | |
| 句子压缩 | 论文 | 180,000 |
| Wikihow | 论文 | 128,542 |
| Altlex | 论文 | 112,696 |
| Quora问题三元组 | - | 103,663 |
| 简单维基百科 | 论文 | 102,225 |
| 自然问题(NQ) | 论文 | 100,231 |
| SQuAD2.0 | 论文 | 87,599 |
| TriviaQA | - | 73,346 |
| 总计 | 1,124,818,467 |