🚀 bge-micro

bge-micro是一个句子转换器（sentence-transformers）模型，它能将句子和段落映射到384维的密集向量空间，可用于聚类或语义搜索等任务。该模型是从bge-small-en-v1.5蒸馏而来，非嵌入参数仅为其1/4。与常用的最小嵌入模型all-MiniLM-L6-v2相比，它的参数只有其1/2，但性能相近。

🚀 快速开始

安装依赖

若要使用此模型，需先安装sentence-transformers：

pip install -U sentence-transformers

使用示例

安装完成后，即可按如下方式使用该模型：

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

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

不使用sentence-transformers的情况

若未安装sentence-transformers，可按以下步骤使用该模型：首先将输入传递给转换器模型，然后对上下文词嵌入应用正确的池化操作。

from transformers import AutoTokenizer, AutoModel
import torch


#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('{MODEL_NAME}')
model = AutoModel.from_pretrained('{MODEL_NAME}')

# 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. In this case, mean pooling.
sentence_embeddings = mean_pooling(model_output, encoded_input['attention_mask'])

print("Sentence embeddings:")
print(sentence_embeddings)

✨ 主要特性

• 轻量级：从bge-small-en-v1.5蒸馏而来，非嵌入参数仅为其1/4。
• 高性能：与常用的最小嵌入模型all-MiniLM-L6-v2相比，参数仅为其1/2，但性能相近。
• 应用广泛：可将句子和段落映射到384维的密集向量空间，适用于聚类或语义搜索等任务。

📚 详细文档

评估结果

若要对该模型进行自动评估，可参考句子嵌入基准测试（Sentence Embeddings Benchmark）：https://seb.sbert.net

完整模型架构

SentenceTransformer(
  (0): Transformer({'max_seq_length': 512, 'do_lower_case': False}) with Transformer model: BertModel 
  (1): Pooling({'word_embedding_dimension': 384, 'pooling_mode_cls_token': False, 'pooling_mode_mean_tokens': True, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False})
)

引用与作者

如需了解更多信息，请参考相关文档。