Sentence-Transformers项目中Cross-Encoders训练的可复现性研究
2025-05-13 09:10:05作者:袁立春Spencer
在自然语言处理领域,模型训练的可复现性是一个重要课题。本文将深入探讨Sentence-Transformers项目中Cross-Encoders训练时的种子设置问题,以及相关改进方向。
当前种子设置方法
目前在使用Sentence-Transformers的Cross-Encoders进行训练时,开发者可以通过以下方式设置随机种子:
def set_seed(seed):
np.random.seed(seed=seed)
random.seed(seed)
torch.manual_seed(seed)
torch.cuda.manual_seed(seed)
torch.cuda.manual_seed_all(seed)
torch.backends.cudnn.benchmark = False
torch.backends.cudnn.deterministic = True
这种方法虽然能够在一定程度上保证可复现性,但存在以下局限性:
- 需要在模型初始化前手动调用
- 无法确保所有随机过程的完全确定性
- 缺乏与训练流程的深度集成
即将到来的改进
Sentence-Transformers团队正在进行重大重构,计划在v4.0版本中引入以下改进:
- 新的CrossEncoderTrainer类,采用类似SentenceTransformer和HuggingFace Transformers的训练方式
- CrossEncoderTrainingArguments中将包含专门的seed参数
- 更完善的训练流程集成,确保从模型初始化到训练过程的完全可复现性
评估指标扩展建议
在模型评估方面,当前CEBinaryClassificationEvaluator仅支持F1分数计算。技术社区建议:
- 扩展为F-beta分数,默认beta=1保持现有F1功能
- 允许自定义beta值,以便根据任务需求调整精确率和召回率的权重
- 对于多标签分类任务,支持macro F1、micro F1和weighted F1等多种指标
技术实现方案
对于评估指标的扩展,可以采用面向对象的设计模式:
class FbetaEvaluator(CrossEncoderClassificationEvaluator):
def __init__(self, *args, beta=1.0, **kwargs):
super().__init__(*args, **kwargs)
self.beta = beta
def __call__(self, model: CrossEncoder, output_path: str = None, epoch: int = -1, steps: int = -1) -> dict[str, float]:
metrics = super().__call__(model, output_path=output_path, epoch=epoch, steps=steps)
precision = meta[f"{self.name}_precision"]
recall = meta[f"{self.name}_recall"]
metrics[f"{self.name}_beta"] = (1 + self.beta**2) * ((precision * recall) / ((self.beta**2 * precision) + recall))
return metrics
这种设计既保持了现有功能的稳定性,又为高级用户提供了扩展空间。
总结
Sentence-Transformers项目正在不断完善其Cross-Encoders训练框架的可复现性和评估功能。即将发布的v4.0版本将带来更专业的训练流程和更灵活的评估选项,使研究人员和开发者能够更可靠地进行文本表示学习相关的实验和应用开发。
登录后查看全文
热门项目推荐
相关项目推荐
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00- DDeepSeek-V3.2-ExpDeepSeek-V3.2-Exp是DeepSeek推出的实验性模型,基于V3.1-Terminus架构,创新引入DeepSeek Sparse Attention稀疏注意力机制,在保持模型输出质量的同时,大幅提升长文本场景下的训练与推理效率。该模型在MMLU-Pro、GPQA-Diamond等多领域公开基准测试中表现与V3.1-Terminus相当,支持HuggingFace、SGLang、vLLM等多种本地运行方式,开源内核设计便于研究,采用MIT许可证。【此简介由AI生成】Python00
openPangu-Ultra-MoE-718B-V1.1昇腾原生的开源盘古 Ultra-MoE-718B-V1.1 语言模型Python00
HunyuanWorld-Mirror混元3D世界重建模型,支持多模态先验注入和多任务统一输出Python00
AI内容魔方AI内容专区,汇集全球AI开源项目,集结模块、可组合的内容,致力于分享、交流。03
Spark-Scilit-X1-13BFLYTEK Spark Scilit-X1-13B is based on the latest generation of iFLYTEK Foundation Model, and has been trained on multiple core tasks derived from scientific literature. As a large language model tailored for academic research scenarios, it has shown excellent performance in Paper Assisted Reading, Academic Translation, English Polishing, and Review Generation, aiming to provide efficient and accurate intelligent assistance for researchers, faculty members, and students.Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile013
- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
项目优选
收起
deepin linux kernel
C
23
6
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
238
2.36 K
仓颉编程语言运行时与标准库。
Cangjie
122
95
暂无简介
Dart
539
117
仓颉编译器源码及 cjdb 调试工具。
C++
114
83
React Native鸿蒙化仓库
JavaScript
216
291
Ascend Extension for PyTorch
Python
77
109
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
995
588
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
568
113
LLVM 项目是一个模块化、可复用的编译器及工具链技术的集合。此fork用于添加仓颉编译器的功能,并支持仓颉编译器项目。
C++
32
25