license: apache-2.0

HPD-TinyBERT-F128

本仓库包含我们论文《通过同态投影蒸馏压缩语义检索的句子表示》的预训练模型。该句子嵌入模型仅含1400万参数，模型大小仅为55MB。

概述

我们提出**同态投影蒸馏（HPD）**方法来学习压缩的句子嵌入表示。该方法通过为小型Transformer编码器模型添加可学习的投影层来生成紧凑表示，同时模仿大型预训练语言模型以保持句子表示质量。

详情

这是一个sentence-transformers模型：可将句子和段落映射至128维稠密向量空间，适用于聚类或语义搜索等任务。

教师模型为princeton-nlp/sup-simcse-roberta-large，学生模型为nreimers/TinyBERT_L-4_H-312_v2。

使用方式

安装sentence-transformers后即可便捷使用：

pip install -U sentence-transformers

安装完成后，可直接加载我们的模型：

from sentence_transformers import SentenceTransformer
model = SentenceTransformer('Xuandong/HPD-TinyBERT-F128')

随后可将句子编码为嵌入向量：

sentences = ['他弹吉他。', '街边有个小贩。']
sentence_embeddings = model.encode(sentences)

for sentence, embedding in zip(sentences, sentence_embeddings):
    print("句子:", sentence)
    print("嵌入向量:", embedding)
    print("")

评估结果

我们在语义文本相似度（STS）任务上评估模型性能，结果如下：

训练细节

关于训练过程的详细信息，请参考GitHub仓库(https://github.com/XuandongZhao/HPD)。

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': 312, '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': 312, 'out_features': 128, 'bias': True, 'activation_function': 'torch.nn.modules.activation.Tanh'})
)

引用

若在研究中使用了HPD方法，请引用我们的论文：

@article{zhao2022compressing,
  title={通过同态投影蒸馏压缩语义检索的句子表示},
  author={赵宣栋 and 余志国 and 吴铭 and 李磊},
  journal={arXiv预印本 arXiv:2203.07687},
  year={2022}
}