首页
/ Sentence-Transformers项目中Cross-Encoders训练的可复现性研究

Sentence-Transformers项目中Cross-Encoders训练的可复现性研究

2025-05-13 12:05:54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:

  1. 需要在模型初始化前手动调用
  2. 无法确保所有随机过程的完全确定性
  3. 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:

  1. 新的CrossEncoderTrainer类,采用类似SentenceTransformer和HuggingFace Transformers的训练方式
  2. CrossEncoderTrainingArguments中将包含专门的seed参数
  3. 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:

  1. 扩展为F-beta分数,默认beta=1保持现有F1功能
  2. 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
  3. 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

项目优选

收起
kernelkernel
deepin linux kernel
C
22
6
docsdocs
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
162
2.05 K
nop-entropynop-entropy
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
8
0
ShopXO开源商城ShopXO开源商城
🔥🔥🔥ShopXO企业级免费开源商城系统,可视化DIY拖拽装修、包含PC、H5、多端小程序(微信+支付宝+百度+头条&抖音+QQ+快手)、APP、多仓库、多商户、多门店、IM客服、进销存,遵循MIT开源协议发布、基于ThinkPHP8框架研发
JavaScript
96
15
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
199
279
leetcodeleetcode
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
60
16
Git4ResearchGit4Research
Git4Research旨在构建一个开放、包容、协作的研究社区,让更多人能够参与到科学研究中,共同推动知识的进步。
HTML
22
1
apintoapinto
基于golang开发的网关。具有各种插件,可以自行扩展,即插即用。此外,它可以快速帮助企业管理API服务,提高API服务的稳定性和安全性。
Go
22
0
RuoYi-Vue3RuoYi-Vue3
🎉 (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
950
557
risc-v64-naruto-pirisc-v64-naruto-pi
基于QEMU构建的RISC-V64 SOC,支持Linux,baremetal, RTOS等,适合用来学习Linux,后续还会添加大量的controller,实现无需实体开发板,即可学习Linux和RISC-V架构
C
19
5