all-mpnet-base-v2

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

使用方法

安装 sentence-transformers 后，使用此模型变得非常简单：

pip install -U sentence-transformers

然后你可以这样使用模型：

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

model = SentenceTransformer('sentence-transformers/all-mpnet-base-v2')
embeddings = model.encode(sentences)
print(embeddings)

使用方法

如果没有 sentence-transformers，你可以这样使用模型：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-mpnet-base-v2')
model = AutoModel.from_pretrained('sentence-transformers/all-mpnet-base-v2')

# 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)

背景

该项目旨在使用自监督对比学习目标在超大规模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 10 亿句子对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，模型应该预测从一组随机采样的其他句子中，哪一个实际上在数据集中与它配对。

我们在 Hugging Face 组织的 Community week using JAX/Flax for NLP & CV 期间开发了此模型。我们开发此模型是作为以下项目的一部分：Train the Best Sentence Embedding Model Ever with 1B Training Pairs。我们受益于高效的硬件基础设施来运行该项目：7 个 TPU v3-8，以及 Google Flax、JAX 和 Cloud 团队成员关于高效深度学习框架的指导。

预期用途

我们的模型旨在用作句子和短段落编码器。给定输入文本，它输出一个捕获语义信息的向量。句子向量可用于信息检索、聚类或句子相似度任务。

默认情况下，超过 384 个词片的输入文本会被截断。

训练过程

预训练

我们使用预训练的 microsoft/mpnet-base 模型。有关预训练过程的更多详细信息，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，我们计算批次中每对可能的句子对的余弦相似度。然后通过与真实对进行比较来应用交叉熵损失。

超参数

我们在 TPU v3-8 上训练了模型。我们使用 1024 的批量大小（每个 TPU 核心 128）训练了 100k 步。我们使用 500 的学习率预热。序列长度限制为 128 个标记。我们使用 AdamW 优化器，学习率为 2e-5。完整的训练脚本可在当前仓库中访问：train_script.py。

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。我们根据加权概率对每个数据集进行采样，配置详情在 data_config.json 文件中。