基于 sentence-transformers/all-MiniLM-L6-v2 的 SentenceTransformer

这是一个基于 sentence-transformers/all-MiniLM-L6-v2 微调的 sentence-transformers 模型。它将句子和段落映射到 384 维的稠密向量空间，可用于语义文本相似度、语义搜索、复述挖掘、文本分类、聚类等任务。

模型详情

模型描述

• 模型类型： Sentence Transformer
• 基础模型： sentence-transformers/all-MiniLM-L6-v2 <!-- at revision fa97f6e7cb1a59073dff9e6b13e2715cf7475ac9 -->
• 最大序列长度： 256 个 token
• 输出维度： 384 维
• 相似度函数： 余弦相似度 <!-- - 训练数据集： 未知 --> <!-- - 语言： 未知 --> <!-- - 许可证： 未知 -->

模型来源

• 文档： Sentence Transformers 文档
• 代码库： Sentence Transformers GitHub 仓库
• Hugging Face： Hugging Face 上的 Sentence Transformers

完整模型架构

SentenceTransformer(
  (0): Transformer({'max_seq_length': 256, 'do_lower_case': False}) with Transformer model: BertModel
  (1): Pooling({'word_embedding_dimension': 384, 'pooling_mode_cls_token': False, 'pooling_mode_mean_tokens': True, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False, 'pooling_mode_weightedmean_tokens': False, 'pooling_mode_lasttoken': False, 'include_prompt': True})
  (2): Normalize()
)

使用方法

直接使用（Sentence Transformers）

首先安装 Sentence Transformers 库：

pip install -U sentence-transformers

然后你可以加载此模型并运行推理。

from sentence_transformers import SentenceTransformer

# 从 🤗 Hub 下载
model = SentenceTransformer("vazish/all-MiniLM-L6-v2-fine-tuned_0")
# 运行推理
sentences = [
    'Tidal - High-Fidelity Music Streaming with Master Quality Audio',
    'Walmart - Everyday Low Prices on Groceries, Electronics, and More',
    'Notion - Integrated Workspace for Notes, Tasks, Databases, and Wikis',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 384]

# 获取嵌入的相似度分数
similarities = model.similarity(embeddings, embeddings)
print(similarities.shape)
# [3, 3]

<!--

直接使用（Transformers）

<details><summary>点击查看在 Transformers 中的直接使用方法</summary>

</details> -->

<!--

下游使用（Sentence Transformers）

你可以在自己的数据集上微调此模型。

<details><summary>点击展开</summary>

</details> -->

<!--

超出范围的使用

列出模型可能被预见性滥用的方式，并说明用户不应使用该模型做什么。 -->

评估

指标

语义相似度

• 使用 <code>EmbeddingSimilarityEvaluator</code> 进行评估

<!--

偏见、风险和局限性

该模型存在哪些已知或可预见的问题？你也可以在此标记已知的失败案例或模型弱点。 -->

<!--

建议

针对可预见的问题有什么建议？例如，过滤显式内容。 -->

训练详情

训练数据集

未命名数据集

• 大小：49,800 个训练样本
• 列：<code>sentence_0</code>、<code>sentence_1</code> 和 <code>label</code>
• 基于前 1000 个样本的近似统计：

  	sentence_0	sentence_1	label
  类型	字符串	字符串	浮点数
  详情	<ul><li>最小值：10 个 token</li><li>平均值：14.76 个 token</li><li>最大值：21 个 token</li></ul>	<ul><li>最小值：10 个 token</li><li>平均值：14.64 个 token</li><li>最大值：21 个 token</li></ul>	<ul><li>最小值：0.0</li><li>平均值：0.04</li><li>最大值：1.0</li></ul>

• 样本：

  sentence_0	sentence_1	label
  <code>TripAdvisor - Hotel Reviews, Photos, and Travel Forums</code>	<code>Docker Hub - Container Image Repository for DevOps Environments</code>	<code>0.0</code>
  <code>Mastodon - Decentralized Social Media for Niche Communities</code>	<code>Allrecipes - User-Submitted Recipes, Reviews, and Cooking Tips</code>	<code>0.0</code>
  <code>YouTube Music - Music Videos, Official Albums, and Live Performances</code>	<code>ESPN - Sports News, Live Scores, Stats, and Highlights</code>	<code>0.0</code>

• 损失函数：带有以下参数的 <code>CosineSimilarityLoss</code>：

  {
      \"loss_fct\": \"torch.nn.modules.loss.MSELoss\"
  }
  

训练超参数

非默认超参数

• per_device_train_batch_size：32
• per_device_eval_batch_size：32
• multi_dataset_batch_sampler：round_robin

所有超参数

<details><summary>点击展开</summary>

• overwrite_output_dir：False
• do_predict：False
• eval_strategy：no
• prediction_loss_only：True
• per_device_train_batch_size：32
• per_device_eval_batch_size：32
• per_gpu_train_batch_size：None
• per_gpu_eval_batch_size：None
• gradient_accumulation_steps：1
• eval_accumulation_steps：None
• torch_empty_cache_steps：None
• learning_rate：5e-05
• weight_decay：0.0
• adam_beta1：0.9
• adam_beta2：0.999
• adam_epsilon：1e-08
• max_grad_norm：1
• num_train_epochs：3
• max_steps：-1
• lr_scheduler_type：linear
• lr_scheduler_kwargs：{}
• warmup_ratio：0.0
• warmup_steps：0
• log_level：passive
• log_level_replica：warning
• log_on_each_node：True
• logging_nan_inf_filter：True
• save_safetensors：True
• save_on_each_node：False
• save_only_model：False
• restore_callback_states_from_checkpoint：False
• no_cuda：False
• use_cpu：False
• use_mps_device：False
• seed：42
• data_seed：None
• jit_mode_eval：False
• use_ipex：False
• bf16：False
• fp16：False
• fp16_opt_level：O1
• half_precision_backend：auto
• bf16_full_eval：False
• fp16_full_eval：False
• tf32：None
• local_rank：0
• ddp_backend：None
• tpu_num_cores：None
• tpu_metrics_debug：False
• debug：[]
• dataloader_drop_last：False
• dataloader_num_workers：0
• dataloader_prefetch_factor：None
• past_index：-1
• disable_tqdm：False
• remove_unused_columns：True
• label_names：None
• load_best_model_at_end：False
• ignore_data_skip：False
• fsdp：[]
• fsdp_min_num_params：0
• fsdp_config：{'min_num_params': 0, 'xla': False, 'xla_fsdp_v2': False, 'xla_fsdp_grad_ckpt': False}
• fsdp_transformer_layer_cls_to_wrap：None
• accelerator_config：{'split_batches': False, 'dispatch_batches': None, 'even_batches': True, 'use_seedable_sampler': True, 'non_blocking': False, 'gradient_accumulation_kwargs': None}
• deepspeed：None
• label_smoothing_factor：0.0
• optim：adamw_torch
• optim_args：None
• adafactor：False
• group_by_length：False
• length_column_name：length
• ddp_find_unused_parameters：None
• ddp_bucket_cap_mb：None
• ddp_broadcast_buffers：False
• dataloader_pin_memory：True
• dataloader_persistent_workers：False
• skip_memory_metrics：True
• use_legacy_prediction_loop：False
• push_to_hub：False
• resume_from_checkpoint：None
• hub_model_id：None
• hub_strategy：every_save
• hub_private_repo：None
• hub_always_push：False
• gradient_checkpointing：False
• gradient_checkpointing_kwargs：None
• include_inputs_for_metrics：False
• include_for_metrics：[]
• eval_do_concat_batches：True
• fp16_backend：auto
• push_to_hub_model_id：None
• push_to_hub_organization：None
• mp_parameters：
• auto_find_batch_size：False
• full_determinism：False
• torchdynamo：None
• ray_scope：last
• ddp_timeout：1800
• torch_compile：False
• torch_compile_backend：None
• torch_compile_mode：None
• dispatch_batches：None
• split_batches：None
• include_tokens_per_second：False
• include_num_input_tokens_seen：False
• neftune_noise_alpha：None
• optim_target_modules：None
• batch_eval_metrics：False
• eval_on_start：False
• use_liger_kernel：False
• eval_use_gather_object：False
• average_tokens_across_devices：False
• prompts：None
• batch_sampler：batch_sampler
• multi_dataset_batch_sampler：round_robin

</details>

训练日志

框架版本

• Python：3.11.11
• Sentence Transformers：3.4.1
• Transformers：4.48.2
• PyTorch：2.5.1+cu124
• Accelerate：1.3.0
• Datasets：3.2.0
• Tokenizers：0.21.0

引用

BibTeX

Sentence Transformers

@inproceedings{reimers-2019-sentence-bert,
    title = \"Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks\",
    author = \"Reimers, Nils and Gurevych, Iryna\",
    booktitle = \"Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing\",
    month = \"11\",
    year = \"2019\",
    publisher = \"Association for Computational Linguistics\",
    url = \"https://arxiv.org/abs/1908.10084\",
}

<!--

术语表

明确定义术语以便各受众理解。 -->

<!--

模型卡作者

列出创建模型卡的人员，对模型卡详细构建工作的认可和负责。 -->

<!--

模型卡联系方式

为有模型卡更新、建议或问题的人提供联系模型卡作者的方式。 -->