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 'mpnet-base' 模型，并对其进行了1B个句子对数据集的微调。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与之配对的一组随机抽样的其他句子中的哪一个。

我们在由Hugging Face组织的 Community week using JAX/Flax for NLP & CV 中开发了这个模型。我们将其作为项目 Train the Best Sentence Embedding Model Ever with 1B Training Pairs 的一部分开发。我们受益于高效的硬件基础设施，可以运行该项目：7个TPU v3-8，以及来自Google的Flax、JAX和Cloud团队成员的介入，提供有关高效深度学习框架的建议。

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，它输出一个向量，该向量捕捉句子的语义信息。可以将句子向量用于信息检索、聚类或句子相似性任务。

如何使用

以下是使用这个模型获取给定文本特征的方法，使用 SentenceTransformers 库：

from sentence_transformers import SentenceTransformer

model = SentenceTransformer('flax-sentence-embeddings/all_datasets_v4_mpnet-base')
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

我们使用了预训练的 'mpnet-base' 模型。有关预训练过程的更详细信息，请参阅模型卡片。

微调

我们使用对比目标对模型进行微调。形式上，我们计算批处理中每个可能的句子对的余弦相似度，然后与真实的配对进行交叉熵损失比较。

超参数

我们在一个TPU v3-8上对模型进行训练。我们使用批处理大小为1024（每个TPU核心128个）。我们使用了500的学习率预热。序列长度限制为128个标记。我们使用了学习率为2e-5的AdamW优化器。完整的训练脚本可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。句子对的总数超过10亿个句子。我们根据数据配置文件中详细描述的加权概率对每个数据集进行采样。