HuggingFace镜像/all-MiniLM-L12-v1
模型介绍文件和版本分析
下载使用量0

all-MiniLM-L12-v1

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。

使用方法(Sentence-Transformers)

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)

使用方法(HuggingFace Transformers)

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)

评估结果

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


背景

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。

预期用途

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。

训练过程

预训练

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。

微调

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。

超参数

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。

训练数据

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