all-MiniLM-L6-v1

这是一个 sentence-transformers 模型：它将句子和段落映射到一个384维的稠密向量空间，可以用于聚类或语义搜索等任务。

用法（Sentence-Transformers）

当您已经安装了 sentence-transformers 时，使用这个模型变得很容易：

pip install -U sentence-transformers

然后，您可以像这样使用模型：

from sentence_transformers import SentenceTransformer
sentences = ["This is an example sentence", "Each sentence is converted"]

model = SentenceTransformer('sentence-transformers/all-MiniLM-L6-v1')
embeddings = model.encode(sentences)
print(embeddings)

用法（HuggingFace Transformers）

如果没有 sentence-transformers ，您可以像这样使用模型：首先，将输入传递给变换器模型，然后必须在上下文化的词嵌入之上应用正确的池化操作。

from transformers 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-L6-v1')
model = AutoModel.from_pretrained('sentence-transformers/all-MiniLM-L6-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

要对此模型进行自动评估，请参见 句子嵌入基准 ： https://seb.sbert.net

背景

该项目旨在使用自我监督的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。我们使用预训练的 nreimers/MiniLM-L6-H384-uncased 模型，并在一个10亿个句子对的数据集上进行了微调。我们使用对比学习目标：给定句子对中的一个句子，模型应该预测在我们的数据集中与其配对的一组随机抽样的其他句子。

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 。我们从谷歌的Flax、JAX和Cloud团队成员获得了关于高效深度学习框架的介入，同时也受益于高效硬件基础设施来运行该项目：7台TPU v3-8。

预期用途

我们的模型用于作为句子和短段落编码器。给定一个输入文本，它输出一个捕获语义信息的向量。句子向量可以用于信息检索、聚类或句子相似性任务。

默认情况下，超过128个词片段的输入文本将被截断。

训练过程

预训练

我们使用预训练的 nreimers/MiniLM-L6-H384-uncased 模型。有关预训练过程的更详细信息，请参见模型卡。

微调

我们使用对比目标来微调模型。形式上，我们计算批处理中每对可能的句子对之间的余弦相似度。然后，通过与真实对比较，应用交叉熵损失。

我们在一个TPU v3-8上训练了模型。我们使用批量大小为1024（每个TPU核心为128）。我们使用了500个学习率预热。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。完整的训练脚本可以在此当前存储库中访问：train_script.py。

我们使用多个数据集的串联来微调我们的模型。句子对的总数超过10亿个句子。我们根据详细的权重概率配置对每个数据集进行了采样，配置详见data_config.json文件。