sentence-transformers/all-MiniLM-L6-v2 · Hugging Face

来源：https://huggingface.co/sentence-transformers/all-MiniLM-L6-v2 这是一个 sentence-transformers (https://www.sbert.net/) 模型：它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。

用法（Sentence-Transformers）

（https://huggingface.co/sentence-transformers/all-MiniLM-L6-v2#usage-sentence-transformers） 安装 sentence-transformers (https://www.sbert.net/) 后，使用此模型变得很简单：

pip install -U sentence-transformers

然后你可以像这样使用模型：

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

model = SentenceTransformer('sentence-transformers/all-MiniLM-L6-v2')
embeddings = model.encode(sentences)
print(embeddings)

用法（HuggingFace Transformers）

（https://huggingface.co/sentence-transformers/all-MiniLM-L6-v2#usage-huggingface-transformers） 不使用 sentence-transformers (https://www.sbert.net/) 时，你可以这样使用模型：首先，将输入通过Transformer模型传递，然后需要在上下文化的词嵌入之上应用正确的池化操作。

from transformers import AutoTokenizer, AutoModel
import torch
import torch.nn.functional as F

#均值池化 - 考虑注意力掩码进行正确的平均
def mean_pooling(model_output, attention_mask):
    token_embeddings = model_output[0]  #model_output的第一个元素包含所有词元嵌入
    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)

# 我们想要获取句子嵌入的句子
sentences = ['This is an example sentence', 'Each sentence is converted']

# 从HuggingFace Hub加载模型
tokenizer = AutoTokenizer.from_pretrained('sentence-transformers/all-MiniLM-L6-v2')
model = AutoModel.from_pretrained('sentence-transformers/all-MiniLM-L6-v2')

# 对句子进行分词
encoded_input = tokenizer(sentences, padding=True, truncation=True, return_tensors='pt')

# 计算词元嵌入
with torch.no_grad():
    model_output = model(**encoded_input)

# 执行池化
sentence_embeddings = mean_pooling(model_output, encoded_input['attention_mask'])

# 归一化嵌入
sentence_embeddings = F.normalize(sentence_embeddings, p=2, dim=1)

print("句子嵌入：")
print(sentence_embeddings)

背景

（https://huggingface.co/sentence-transformers/all-MiniLM-L6-v2#background） 该项目旨在使用自监督对比学习目标，在非常大的句子级数据集上训练句子嵌入模型。我们使用了预训练的 nreimers/MiniLM-L6-H384-uncased (https://huggingface.co/nreimers/MiniLM-L6-H384-uncased) 模型，并在包含10亿句对的数据集上对其进行微调。我们使用对比学习目标：给定句对中的一个句子，模型应能预测出从一组随机抽样的其他句子中，哪一个实际上是在我们的数据集中与它配对的。

我们是在Hugging Face组织的使用JAX/Flax进行NLP与CV的社区周 (https://discuss.huggingface.co/t/open-to-the-community-community-week-using-jax-flax-for-nlp-cv/7104) 期间开发此模型的。我们作为使用10亿训练对训练史上最佳句子嵌入模型 (https://discuss.huggingface.co/t/train-the-best-sentence-embedding-model-ever-with-1b-training-pairs/7354) 项目的一部分开发了此模型。我们受益于高效的硬件基础设施来运行该项目：7个TPU v3-8，以及Google的Flax、JAX和Cloud团队成员关于高效深度学习框架的指导。

预期用途

（https://huggingface.co/sentence-transformers/all-MiniLM-L6-v2#intended-uses） 我们的模型旨在用作句子和短段落编码器。给定输入文本，它输出一个向量，捕捉语义信息。该句子向量可用于信息检索、聚类或句子相似性任务。

默认情况下，超过256个词元的输入文本将被截断。

训练过程

（https://huggingface.co/sentence-transformers/all-MiniLM-L6-v2#training-procedure）

预训练

（https://huggingface.co/sentence-transformers/all-MiniLM-L6-v2#pre-training） 我们使用了预训练的 nreimers/MiniLM-L6-H384-uncased (https://huggingface.co/nreimers/MiniLM-L6-H384-uncased) 模型。关于预训练过程的更详细信息，请参考该模型卡。

微调

（https://huggingface.co/sentence-transformers/all-MiniLM-L6-v2#fine-tuning） 我们使用对比目标微调模型。形式上，我们计算批次中每个可能句子对的余弦相似度。然后，通过与真实配对进行比较，应用交叉熵损失。

超参数

（https://huggingface.co/sentence-transformers/all-MiniLM-L6-v2#hyper-parameters） 我们在TPU v3-8上训练了我们的模型。我们以1024的批次大小（每个TPU核心128）训练了10万步。我们使用了500步的学习率预热。序列长度限制为128个词元。我们使用AdamW优化器，学习率为2e-5。完整的训练脚本可在此当前仓库中获取：train_script.py。

训练数据

（https://huggingface.co/sentence-transformers/all-MiniLM-L6-v2#training-data） 我们使用多个数据集的拼接来微调模型。句子对的总数超过10亿。我们根据加权概率对每个数据集进行采样，具体配置详见 data_config.json 文件。