pipeline_tag: 句子相似度
tags:

• sentence-transformers
• 特征提取
• 句子相似度

mathislucka/tat-model

这是一个sentence-transformers模型：它能将句子和段落映射到一个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（Sentence-Transformers）

安装sentence-transformers后，使用此模型非常简单：

pip install -U sentence-transformers  

然后可以按以下方式使用模型：

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('mathislucka/tat-model')  
embeddings = model.encode(sentences)  
print(embeddings)  

评估结果

关于此模型的自动化评估，请参见句子嵌入基准测试：https://seb.sbert.net

训练

模型训练参数如下：

数据加载器：

长度为39的torch.utils.data.dataloader.DataLoader，参数为：

{'batch_size': 16, 'sampler': 'torch.utils.data.sampler.RandomSampler', 'batch_sampler': 'torch.utils.data.sampler.BatchSampler'}  

损失函数：

sentence_transformers.losses.MarginMSELoss.MarginMSELoss

fit()方法的参数：

{
    "epochs": 1,
    "evaluation_steps": 0,
    "evaluator": "NoneType",
    "max_grad_norm": 1,
    "optimizer_class": "<class 'torch.optim.adamw.AdamW'>",
    "optimizer_params": {
        "lr": 2e-05
    },
    "scheduler": "WarmupLinear",
    "steps_per_epoch": null,
    "warmup_steps": 3,
    "weight_decay": 0.01
}

完整模型架构

SentenceTransformer(
  (0): Transformer({'max_seq_length': 250, 'do_lower_case': False}) with Transformer model: MPNetModel 
  (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