pipeline_tag: 句子相似度 tags:

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

{MODEL_NAME}

这是一个 sentence-transformers 模型：它可以将句子和段落映射到256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)

当您安装了 sentence-transformers 后，使用此模型将变得非常简单：

pip install -U sentence-transformers

然后您可以像这样使用该模型：

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('{MODEL_NAME}')
embeddings = model.encode(sentences)
print(embeddings)

评估结果

关于该模型的自动评估，请参阅 Sentence Embeddings Benchmark（句子嵌入基准）: https://seb.sbert.net

训练过程

模型训练时使用的参数如下：

数据加载器（DataLoader）:

长度为11的 torch.utils.data.dataloader.DataLoader，其参数如下：

{'batch_size': 15, 'sampler': 'torch.utils.data.sampler.RandomSampler', 'batch_sampler': 'torch.utils.data.sampler.BatchSampler'}

损失函数:

sentence_transformers.losses.CosineSimilarityLoss.CosineSimilarityLoss

fit() 方法的参数如下：

{
    "epochs": 1,
    "evaluation_steps": 1,
    "evaluator": "sentence_transformers.evaluation.EmbeddingSimilarityEvaluator.EmbeddingSimilarityEvaluator",
    "max_grad_norm": 1,
    "optimizer_class": "<class 'transformers.optimization.AdamW'>",
    "optimizer_params": {
        "lr": 2e-05
    },
    "scheduler": "WarmupLinear",
    "steps_per_epoch": null,
    "warmup_steps": 2,
    "weight_decay": 0.01
}

完整的模型架构

SentenceTransformer(
  (0): Transformer({'max_seq_length': 256, 'do_lower_case': False}) with Transformer model: BertModel 
  (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): Dense({'in_features': 768, 'out_features': 256, 'bias': True, 'activation_function': 'torch.nn.modules.activation.Tanh'})
)

引用与作者