all-MiniLM-L6-v2

这是一个 sentence-transformers 模型：它将句子和段落映射到一个384维的密集向量空间，可用于聚类或语义搜索等任务。

用法（Sentence-Transformers）

使用 sentence-transformers 安装后，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-MiniLM-L6-v2')
embeddings = model.encode(sentences)
print(embeddings)

用法（HuggingFace Transformers）

没有 sentence-transformers ，你可以像这样使用模型：首先，将输入通过变换器模型，然后必须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-MiniLM-L6-v2')
model = AutoModel.from_pretrained('sentence-transformers/all-MiniLM-L6-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)

评估结果

要对该模型进行自动评估，请参见句子嵌入基准 https://seb.sbert.net 。

背景

该项目旨在使用自我监督的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 nreimers/MiniLM-L6-H384-uncased 模型，并在10亿个句子对的数据集上对其进行了微调。我们使用对比学习目标：给定一对中的一句话，模型应该预测出一组随机抽样的其他句子中的哪一个实际上与之配对在我们的数据集中。

我们在由Hugging Face组织的 Community week using JAX/Flax for NLP & CV 中开发了该模型。我们作为 Train the Best Sentence Embedding Model Ever with 1B Training Pairs 项目的一部分开发了这个模型。我们从谷歌的Flax、JAX和Cloud团队成员那里获得了关于高效深度学习框架的介入，以及运行该项目的7个TPU v3-8的高效硬件基础设施。

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，它输出一个捕捉语义信息的向量。该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256个单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 nreimers/MiniLM-L6-H384-uncased 模型。有关预训练过程的更详细信息，请参阅模型卡。

微调

我们使用对比目标进行微调。形式上，我们从批处理中的每对可能的句子对中计算余弦相似度。然后，通过与真实对比较应用交叉熵损失。

我们在TPU v3-8上训练了模型。我们使用批大小1024（每个TPU核心128个）训练模型100k步。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连接来微调我们的模型。句子对的总数超过10亿个句子。我们根据详细配置在data_config.json文件中给出的加权概率对每个数据集进行抽样。