🚀 LaBSE在俄语 - 马里语对上微调的模型

这个模型基于 sentence-transformers，它能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。

🚀 快速开始

✨ 主要特性

• 基于 sentence-transformers 框架。
• 可将句子和段落映射到768维的密集向量空间。
• 适用于聚类、语义搜索等任务。

📦 安装指南

若已安装 sentence-transformers，使用此模型会很便捷：

pip install -U sentence-transformers

💻 使用示例

基础用法

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)

📚 详细文档

评估结果

要对该模型进行自动评估，可参考 Sentence Embeddings Benchmark：https://seb.sbert.net

训练

该模型的训练参数如下： 数据加载器： torch.utils.data.dataloader.DataLoader，长度为48339，参数如下：

{'batch_size': 8, 'sampler': 'torch.utils.data.sampler.RandomSampler', 'batch_sampler': 'torch.utils.data.sampler.BatchSampler'}

损失函数： sentence_transformers.losses.MultipleNegativesRankingLoss.MultipleNegativesRankingLoss，参数如下：

{'scale': 20.0, 'similarity_fct': 'cos_sim'}

fit() 方法的参数：

{
    "epochs": 1,
    "evaluation_steps": 100,
    "evaluator": "__main__.ChainScoreEvaluator",
    "max_grad_norm": 1,
    "optimizer_class": "<class 'torch.optim.adamw.AdamW'>",
    "optimizer_params": {
        "lr": 2e-05
    },
    "scheduler": "warmupcosine",
    "steps_per_epoch": null,
    "warmup_steps": 1000,
    "weight_decay": 0.01
}

🔧 技术细节

完整模型架构

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': True, 'pooling_mode_mean_tokens': False, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False})
  (2): Dense({'in_features': 768, 'out_features': 768, 'bias': True, 'activation_function': 'torch.nn.modules.activation.Tanh'})
  (3): Normalize()
)

📄 许可证

文档中未提及许可证相关信息。

📚 引用与作者

文档中未详细描述获取更多信息的途径。

信息表格