/ Модель

Характеристики

Контекст
514 токенов
Параметры
454 млн
Архитектура
roberta · dense

all_datasets_v3_roberta-large

ЭмбеддингиТекст → embedding10 профессий

Англоязычная модель на основе RoBERTa, преобразующая предложения в эмбеддинги для семантического поиска, кластеризации и оценки сходства.

196скачиваний за 30 дней13лайковвеса обновлены23 июл 2021

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Эмбеддинги» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Модель flax-sentence-embeddings/all_datasets_v3_roberta-large разработана участниками Community Week Hugging Face в рамках проекта по обучению моделей эмбеддингов предложений на больших наборах данных. Это дообученная с контрастивной целью версия roberta-large с архитектурой RoBERTa и 454,1 млн параметров. Она кодирует входное предложение в вектор, отражающий его семантическое содержание, и рассчитана на извлечение признаков и сравнение предложений. В README описано обучение на более чем миллиарде пар предложений из объединённых датасетов; указаны длина последовательности обучения 128 токенов и использование SentenceTransformers. Метаданные указывают родной контекст в 514 токенов.

Модель подходит для семантического поиска, группировки текстов и оценки сходства предложений. В карточке указана поддержка английского языка. Репозиторий содержит веса PyTorch; лицензия в предоставленных данных не указана.

Сценарии применения

  • семантический поиск по коллекции текстов
  • поиск предложений, похожих по смыслу
  • кластеризация предложений по тематике
  • извлечение векторных признаков предложений
  • ранжирование кандидатов по смысловому сходству

Ограничения

Модель обучалась с ограничением длины последовательности 128 токенов, поэтому длинные входы могут требовать разбиения. В предоставленных данных подтверждена поддержка английского языка; качество для других языков не установлено.

Для каких профессий подходит10

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Model description

The project aims to train sentence embedding models on very large sentence level datasets using a self-supervised contrastive learning objective. We used the pretrained roberta-large model and fine-tuned in on a 1B sentence pairs dataset. We use a contrastive learning objective: given a sentence from the pair, the model should predict which out of a set of randomly sampled other sentences, was actually paired with it in our dataset.

We developped this model during the Community week using JAX/Flax for NLP & CV, organized by Hugging Face. We developped this model as part of the project: Train the Best Sentence Embedding Model Ever with 1B Training Pairs. We benefited from efficient hardware infrastructure to run the project: 7 TPUs v3-8, as well as intervention from Google’s Flax, JAX, and Cloud team member about efficient deep learning frameworks.

Intended uses

Our model is intented to be used as a sentence encoder. Given an input sentence, it ouptuts a vector which captures the sentence semantic information. The sentence vector may be used for information retrieval, clustering or sentence similarity tasks.

How to use

Here is how to use this model to get the features of a given text using SentenceTransformers library:

from sentence_transformers import SentenceTransformer

model = SentenceTransformer('flax-sentence-embeddings/all_datasets_v3_roberta-large')
text = "Replace me by any text you'd like."
text_embbedding = model.encode(text)
# array([-0.01559514,  0.04046123,  0.1317083 ,  0.00085931,  0.04585106,
#        -0.05607086,  0.0138078 ,  0.03569756,  0.01420381,  0.04266302 ...],
#        dtype=float32)

Training procedure

Pre-training

We use the pretrained roberta-large. Please refer to the model card for more detailed information about the pre-training procedure.

Fine-tuning

We fine-tune the model using a contrastive objective. Formally, we compute the cosine similarity from each possible sentence pairs from the batch. We then apply the cross entropy loss by comparing with true pairs.

Hyper parameters

We trained ou model on a TPU v3-8. We train the model during 540k steps using a batch size of 1024 (128 per TPU core). We use a learning rate warm up of 500. The sequence length was limited to 128 tokens. We used the AdamW optimizer with a 2e-5 learning rate. The full training script is accessible in this current repository.

Training data

We use the concatenation from multiple datasets to fine-tune our model. The total number of sentence pairs is above 1 billion sentences. We sampled each dataset given a weighted probability which configuration is detailed in the data_config.json file.

DatasetPaperNumber of training tuples
GOOAQ: Open Question Answering with Diverse Answer Typespaper3,012,496
Stack Exchange-364,001
Flickr 30kpaper317,695
[COCO 2020](COCO 2020)paper828,395
Code Search-1,151,414
TriviaqQA-73,346
SQuAD2.0paper87,599
Natural Questions (NQ)paper100,231
Simple Wikipediapaper102,225
Quora Question Pairs-103,663
Altlexpaper112,696
Wikihowpaper128,542
Sentence Compressionpaper180,000
AllNLI (SNLI and MultiNLIpaper SNLI, paper MultiNLI277,230
Eli5 paper325,475
SPECTERpaper684,100
S2ORC Title/Abstractpaper41,769,185
S2ORC Citation/Citationpaper52,603,982
S2ORC Citation/Abstractpaper116,288,806
PAQpaper64,371,441
WikiAnswerspaper77,427,422
SearchQA-582,261
Yahoo Answers Title/Answerpaper1,198,260
Yahoo Answers Title/Questionpaper659,896
Yahoo Answers Question/Answerpaper681,164
MS MARCOpaper9,144,553
Reddit conversationnalpaper726,484,430
total1,097,953,922

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
RobertaForMaskedLM
Ревизия весов
8046a28

0 моделей