all-distilroberta-v1

这是一个 sentence-transformers 模型：它将句子和段落映射到一个768维的稠密向量空间，并可用于聚类或语义搜索等任务。

用法（Sentence-Transformers）

如果你已经安装了 sentence-transformers ，使用这个模型变得很容易:

pip install -U sentence-transformers

然后你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-distilroberta-v1')
embeddings = model.encode(sentences)
print(embeddings)

用法（HuggingFace Transformers）

如果没有 sentence-transformers ，你可以像这样使用模型: 首先，将输入通过transformer模型，然后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-distilroberta-v1')
model = AutoModel.from_pretrained('sentence-transformers/all-distilroberta-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

对于这个模型的自动评估，请参阅句子嵌入基准。

背景

该项目旨在使用自监督的对比学习目标，在非常大的句级数据集上训练句子嵌入模型。我们使用预训练的 distilroberta-base 模型，并在10亿个句子对的数据集上进行了微调。我们使用了对比学习目标：给定一对句子，模型应该预测在我们的数据集中，与之实际成对的一组随机抽样的其他句子。

我们在Hugging Face组织的 Community week using JAX/Flax for NLP & CV 期间开发了这个模型。我们作为项目的一部分开发了这个模型： Train the Best Sentence Embedding Model Ever with 1B Training Pairs 。我们得到了高效的硬件基础设施的支持，以运行该项目：7个TPU v3-8，以及来自Google Flax，JAX和Cloud团队成员的有关高效深度学习框架的干预。

预期用途

我们的模型旨在用作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 distilroberta-base 。有关预训练过程的详细信息，请参阅模型卡。

微调

我们使用对比目标对模型进行微调。形式上，我们从批次中的每对句子计算余弦相似度。然后，将其与真实对进行比较，应用交叉熵损失。

我们在TPU v3-8上训练了我们的模型。我们使用512的批量大小进行了920k步的训练（每个TPU核心为64）。我们使用了500的学习率热身。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当前存储库的train_script.py中找到。

我们使用多个数据集的串联来微调我们的模型。句子对的总数超过了10亿个句子。我们根据权重概率采样了每个数据集，配置详见data_config.json文件。