pipeline_tag: 句子相似度 tags:

• 句子转换器
• 特征提取
• 句子相似度 datasets:
• 代码搜索网络

flax-sentence-embeddings/st-codesearch-distilroberta-base

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。

该模型在code_search_net数据集上进行训练，可用于根据文本搜索程序代码。

使用方法：

from sentence_transformers import SentenceTransformer, util


# 定义不同的程序代码列表
code = ["""def sort_list(x):
   return sorted(x)""",
"""def count_above_threshold(elements, threshold=0):
    counter = 0
    for e in elements:
        if e > threshold:
            counter += 1
    return counter""",
"""def find_min_max(elements):
    min_ele = 99999
    max_ele = -99999
    for e in elements:
        if e < min_ele:
            min_ele = e
        if e > max_ele:
            max_ele = e
    return min_ele, max_ele"""]
    

model = SentenceTransformer("flax-sentence-embeddings/st-codesearch-distilroberta-base")

# 将代码编码到向量空间
code_emb = model.encode(code, convert_to_tensor=True)

# 交互式演示：输入查询，该方法返回我们定义的3个函数中最匹配的函数
while True:
    query = input("查询：")
    query_emb = model.encode(query, convert_to_tensor=True)
    hits = util.semantic_search(query_emb, code_emb)[0]
    top_hit = hits[0]

    print("余弦相似度：{:.2f}".format(top_hit['score']))
    print(code[top_hit['corpus_id']])
    print("\n\n")

使用方法（Sentence-Transformers）

安装sentence-transformers后，使用此模型变得非常简单：

pip install -U sentence-transformers

然后可以像这样使用模型：

from sentence_transformers import SentenceTransformer
sentences = ["这是一个示例句子", "每个句子都会被转换"]

model = SentenceTransformer('flax-sentence-embeddings/st-codesearch-distilroberta-base')
embeddings = model.encode(sentences)
print(embeddings)

训练过程

该模型使用DistilRoBERTa-base模型在代码搜索数据集上训练了10k步，批次大小为256，采用MultipleNegativesRankingLoss损失函数。

这是一个初步模型，未经充分测试，训练过程也较为简单。

训练参数如下：

数据加载器：

MultiDatasetDataLoader.MultiDatasetDataLoader，长度5371，参数：

{'batch_size': 256}

损失函数：

sentence_transformers.losses.MultipleNegativesRankingLoss.MultipleNegativesRankingLoss，参数：

{'scale': 20, 'similarity_fct': 'dot_score'}

fit()方法参数：

{
    "callback": null,
    "epochs": 1,
    "evaluation_steps": 0,
    "evaluator": "NoneType",
    "max_grad_norm": 1,
    "optimizer_class": "<class 'transformers.optimization.AdamW'>",
    "optimizer_params": {
        "lr": 2e-05
    },
    "scheduler": "warmupconstant",
    "steps_per_epoch": 10000,
    "warmup_steps": 500,
    "weight_decay": 0.01
}

完整模型架构

SentenceTransformer(
  (0): Transformer({'max_seq_length': 128, 'do_lower_case': False}) with Transformer model: RobertaModel 
  (1): Pooling({'word_embedding_dimension': 768, 'pooling_mode_cls_token': False, 'pooling_mode_mean_tokens': True, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False})
  (2): Normalize()
)

引用与作者