all-MiniLM-L12-v2

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，可用于聚类或语义搜索等任务。

使用方法（Sentence-Transformers）

当你安装了 sentence-transformers 后，使用这个模型会变得非常简单：

pip install -U sentence-transformers

然后你可以像这样使用该模型：

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

model = SentenceTransformer('sentence-transformers/all-MiniLM-L12-v2')
embeddings = model.encode(sentences)
print(embeddings)

使用方法（HuggingFace Transformers）

如果没有安装 sentence-transformers，你可以像这样使用该模型：首先将输入通过 transformer 模型，然后需要在上下文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 - 考虑注意力掩码进行正确平均
def mean_pooling(model_output, attention_mask):
    token_embeddings = model_output[0] #模型输出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)


# 我们想要获取句子嵌入的句子
sentences = ['This is an example sentence', 'Each sentence is converted']

# 从HuggingFace Hub加载模型
tokenizer = AutoTokenizer.from_pretrained('sentence-transformers/all-MiniLM-L12-v2')
model = AutoModel.from_pretrained('sentence-transformers/all-MiniLM-L12-v2')

# 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)

# 执行池化操作
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)

背景

该项目旨在使用大规模自监督对比学习目标，在非常大的句子级数据集上训练句子嵌入模型。我们使用了预训练的 microsoft/MiniLM-L12-H384-uncased 模型，并在一个包含 10 亿句子对的数据集上进行了微调。我们使用对比学习目标：给定一对句子中的一个句子，模型应该从随机采样的其他句子集合中预测出哪个句子实际上与它配对。

这个模型是我们参与 Hugging Face 组织的 Community week using JAX/Flax for NLP & CV 项目期间开发的。我们开发这个模型的项目是：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项目：7 个 TPU v3-8，以及来自 Google Flax、JAX 和云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的编码器。给定输入文本，它输出一个捕获语义信息的向量。该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 256 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/MiniLM-L12-H384-uncased 模型。有关预训练过程的详细信息，请参阅该模型的模型卡。

微调

我们使用对比目标对模型进行微调。从形式上讲，我们计算批次中每个可能句子对的余弦相似度。然后通过与真实配对进行比较来应用交叉熵损失。

超参数

我们在 TPU v3-8 上训练模型。训练 100k 步，批大小为 1024（每个 TPU 核心 128）。使用 500 步的学习率预热。序列长度限制为 128 个 token。我们使用 AdamW 优化器，学习率为 2e-5。完整的训练脚本可在此当前仓库中访问：train_script.py。

训练数据

我们使用多个数据集的拼接来微调模型。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。