all_datasets_v3_mpnet-base

项目介绍：all_datasets_v3_mpnet-base

项目背景

all_datasets_v3_mpnet-base是一个利用句子嵌入技术将句子和段落映射到768维密集向量空间的模型。这种技术可以用于句子聚类或语义搜索等任务。该项目旨在通过自监督对比学习目标，在非常大规模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microsoft/mpnet-base模型，并在包含10亿对句子的数据库上进行了微调。

在Hugging Face组织的使用JAX/Flax进行NLP和计算机视觉的社区周中，我们开发了这一模型。项目得到了谷歌Flax、JAX和云团队成员关于高效深度学习框架的支持，以及七个TPU v3-8的硬件设施。

模型用途

该模型设计为句子与短段落编码器，输入文本将转化为包含语义信息的向量，这种句子向量可以用于信息检索、聚类或句子相似性任务。对于长度超过128个词块的文本，默认会进行截断处理。

训练过程

预训练

我们使用了microsoft/mpnet-base的预训练模型，详细的预训练过程可以参考对应模型文档。

微调

微调过程中，我们使用了对比学习目标。具体而言，我们计算批次中每个可能的句子对之间的余弦相似度，然后将其与真实对比进行交叉熵损失处理。

超参数

模型是在TPU v3-8上训练的，总共进行了92万步，批次大小为512（每个TPU核心64）。我们使用500步的学习率热身，序列长度限制为128个token，并采用AdamW优化器，学习率为2e-5。完整的训练脚本可以在当前仓库中的train_script.py中找到。

训练数据

我们通过多数据集的结合来微调模型，句子对总数量超过10亿。每个数据集的抽样采用加权概率进行，配置详细信息见data_config.json文件。目前使用的一些主要数据集及其对应论文和训练样本数如下：

使用方法

使用 Sentence-Transformers

安装sentence-transformers库之后，通过以下方式加载并使用模型：

pip install -U sentence-transformers

from sentence_transformers import SentenceTransformer
sentences = ["这是一个例句", "每个句子被转换"]

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

使用 HuggingFace Transformers

无需sentence-transformers库，也可以使用该模型。首先，将输入通过transformer模型，然后在上下文化词嵌入上应用合适的池化操作：

from transformers import AutoTokenizer, AutoModel
import torch
import torch.nn.functional as F

# 平均池化 - 考虑注意力掩码正确求均值
def mean_pooling(model_output, attention_mask):
    token_embeddings = model_output[0] # model_output的第一个元素包含所有token嵌入
    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)

# 我们想要句子嵌入的句子
sentences = ['这是一个例句', '每个句子被转换']

# 从HuggingFace Hub加载模型
tokenizer = AutoTokenizer.from_pretrained('sentence-transformers/all-mpnet-base-v1')
model = AutoModel.from_pretrained('sentence-transformers/all-mpnet-base-v1')

# 对句子进行分词
encoded_input = tokenizer(sentences, padding=True, truncation=True, return_tensors='pt')

# 计算token嵌入
with torch.no_grad():
    model_output = model(**encoded_input)

# 执行池化
sentence_embeddings = mean_pooling(model_output, encoded_input['attention_mask'])

# 归一化嵌入
sentence_embeddings = F.normalize(sentence_embeddings, p=2, dim=1)

print("句子嵌入：")
print(sentence_embeddings)

评估结果

有关该模型的自动化评估，请参见句子嵌入基准。