论文复现-3：ConSERT: A Contrastive Framework for Self-Supervised Sentence Representation Transfer

原创已于 2023-03-31 19:56:03 修改 · 300 阅读

0 ·

本内容遵循CC 4.0 BY-SA版权协议

收录于

论文记录

论文复现记录

于 2023-03-31 19:45:07 首次发布

文章描述了一个使用Python进行模型训练和评估的过程，涉及数据预处理、SentenceTransformers库、Transformer模块、数据加载、相似度计算和可视化。主要步骤包括从zip文件夹加载数据，使用InputExample创建训练样本，进行对比损失训练（cl_loss_only），并根据有无配对数据调整训练样例。此外，还包括模型的评价和预训练阶段。

在这个文件中，
data 是process之后的数据集，用在model的train过程中。
datasets是放置data的zip的文件夹
output是model train和evaluation之后得到的文件
scripts是model train或者test可能会用到的sh文件
sentence_transformers存放的是python tool中的sentence_transformers的具体模块
transformers存放的是python tool中的transformer的具体模块

analysis_rep_space: 正在git中向作者请教
correlation_visualization:计算得到的相似度分值的相关性可视化展示。
data_utils：数据加载的过程，在中文数据加载中使用的是：load_chinese_tsv_data
eval：model 的evaluation过程。
eval_pretrain：这里我感觉也是model的pretrain的一个过程，在model load之后，使用的evaluation函数计算相似度的计算
在这里插入图片描述

main：model 的train和test过程

在这里插入图片描述

if args.no_pair:
    assert args.cl_loss_only, "no pair texts only used when contrastive loss only"
    train_samples.append(InputExample(texts=[row['sentence1']]))
    train_samples.append(InputExample(texts=[row['sentence2']]))
 else:
    train_samples.append(InputExample(texts=[row['sentence1'], row['sentence2']], label=label_id))