模型描述

该项目旨在使用自监督对比学习目标在非常大的句子级数据集上训练句子嵌入模型。我们使用了预训练的 MiniLM-L12 模型，并在一个10亿个句对的数据集上进行了微调。我们使用对比学习目标：给定一对句子中的一个句子，模型应该预测在我们的数据集中，哪个随机抽样的句子与之成对。

我们在由Hugging Face组织的 Community week using JAX/Flax for NLP & CV 期间开发了这个模型。我们开发这个模型作为项目的一部分： Train the Best Sentence Embedding Model Ever with 1B Training Pairs 。我们从Google的Flax、JAX和Cloud团队的成员那里获得了关于高效深度学习框架的有效硬件基础设施和干预。

预期用途

我们的模型旨在用作句子编码器。给定一个输入句子，它会输出一个捕捉句子语义信息的向量。该句向量可以用于信息检索、聚类或句子相似性任务。

如何使用

这是如何使用该模型来获取给定文本的特征的方法，使用 SentenceTransformers 库：

from sentence_transformers import SentenceTransformer

model = SentenceTransformer('flax-sentence-embeddings/all_datasets_v3_MiniLM-L12')
text = "Replace me by any text you'd like."
text_embbedding = model.encode(text)
# array([-0.01559514,  0.04046123,  0.1317083 ,  0.00085931,  0.04585106,
#        -0.05607086,  0.0138078 ,  0.03569756,  0.01420381,  0.04266302 ...],
#        dtype=float32)

训练过程

预训练

我们使用预训练的 MiniLM-L12 模型。有关预训练过程的更详细信息，请参阅模型卡。

微调

我们使用对比目标进行微调。形式上，我们从批次中的每个可能的句对计算余弦相似度。然后，与真实对进行比较，应用交叉熵损失。

超参数

我们在TPU v3-8上训练了模型。我们进行了54万次训练步骤，使用批次大小为1024（每个TPU核心128个）。我们使用学习率预热为500。序列长度被限制为128个标记。我们使用AdamW优化器和2e-5的学习率。完整的训练脚本可以在当前存储库中访问。

训练数据

我们使用多个数据集的连接来微调我们的模型。句对的总数量超过10亿个句子。我们根据数据配置文件中详细的配置，使用加权概率对每个数据集进行采样。