embedding的微调

发布于：2025-05-23 ⋅ 阅读:(22) ⋅ 点赞:(0)

1.​​Embedding模型评价维度​​

  1. ​​基础性能指标​​

    • ​​最大输入长度​​：决定单次可处理的文本长度（越长越好）
    • ​​数据维度上限​​：维度越高，语义表征越全面精准（需平衡效率与复杂度）

  2. ​​具体任务能力评估​​

    • ​​分类任务（Classification）​​
      目标：对文本进行准确分类
      衡量：分类准确率

    • ​​聚类任务（Clustering）​​
      目标：将无标签文本分组为有意义类别
      衡量：聚类质量指标（如轮廓系数）

    • ​​句子对分类（Pair Classification）​​
      目标：判断文本对的标签关系（如是否相似/相关）
      衡量：分类准确率、F1值

    • ​​语义文本相似度（STS）​​
      目标：量化句子对的语义相似程度
      衡量：模型生成的向量余弦相似度与人工标注的相关性

    • ​​检索任务（Retrieval）​​
      目标：根据查询从语料库中匹配相关文档
      衡量：以 nDCG@10 为核心指标（兼顾排序质量与相关性）

    • ​​重排序（Reranking）​​
      目标：对检索结果按相关性重新排序
      衡量：基于余弦相似度的排序质量平均值

​​关键特点总结​​

  • ​​多维度验证​​：涵盖分类、检索、语义理解等核心场景，全面评估模型能力。
  • ​​量化指标驱动​​：依赖 nDCG@10、余弦相似度等客观指标，减少主观偏差。
  • ​​实用导向​​：强调模型在长文本处理、高维语义表征等实际需求中的表现。

2.RAG场景下Embedding模型与Rerank模型的分工协作

一、模型性能对比
​​对比维度​​ ​​Embedding模型​​ ​​Rerank模型​​
模型架构 双向编码器（Bi-Encoder） 交叉编码器（Cross-Encoder）
计算时间成本 低（横向对比） 高（横向对比）
语义匹配精度 基础精度（适合初筛） 高精度（适合精排）
输入处理方式 文本对独立编码 文本对联合交互计算
二、RAG场景协作流程

  1. ​​召回阶段​​
    使用Embedding模型快速生成文本向量，通过向量相似度从海量数据中​​召回Top100-200相关文档​​（高效率优先）。

  2. ​​精排阶段​​
    将初筛结果输入Rerank模型，通过交叉注意力机制计算​​细粒度语义匹配分数​​，输出​​Top5-10精准结果​​（精度优先）。

三、技术原理差异

  • ​​Bi-Encoder​​
    对Query和Passage分别独立编码为固定向量，通过余弦相似度计算匹配度。
    优势：预计算文档向量可实现毫秒级检索
    局限：无法捕捉细粒度交互特征

  • ​​Cross-Encoder​​
    将Query和Passage拼接后联合编码，通过[SEP]标记进行注意力交互计算。
    优势：捕捉词级/短语级语义交互，匹配判断更精准
    局限：需实时计算，无法预存向量

四、工程实践建议
  • ​​数据规模>1万条时​​必须采用两级流水线，避免直接用Rerank模型全量计算
  • ​​精度敏感场景​​（如医疗问答）建议设置Rerank阈值过滤，如仅保留相似度>0.85的结果
  • ​​延迟敏感场景​​可对Embedding模型量化压缩（如INT8量化），提速30%以上

3.微调实践

1）准备数据

1)下载数据集
pip install -U datasets

from datasets import load_dataset

ds = load_dataset("virattt/financial-qa-10K", split="train")

2）重构数据集结构​​，使其更适合检索或问答任务（如RAG场景）
ds = ds.select_columns(column_names=["question", "context"])
ds = ds.rename_column("question", "query")
ds = ds.rename_column("context", "pos")
ds = ds.add_column("id", [str(i) for i in range(len(ds))])

3）构造包含负样本的训练数据
import numpy as np

np.random.seed(520)
neg_num = 10

def str_to_lst(data):
    data["pos"] = [data["pos"]]
    return data

# sample negative texts
new_col = []
for i in range(len(ds)):
    ids = np.random.randint(0, len(ds), size=neg_num)
    while i in ids:
        ids = np.random.randint(0, len(ds), size=neg_num)
    neg = [ds[i.item()]["pos"] for i in ids]
    new_col.append(neg)
ds = ds.add_column("neg", new_col)

# change the key of 'pos' to a list
ds = ds.map(str_to_lst)


4）为数据集中的每个样本添加一个统一的指令前缀（prompt）
instruction = "Represent this sentence for searching relevant passages: "
ds = ds.add_column("prompt", [instruction]*len(ds))

5)数据集举例
ds[0]
{'query': 'What area did NVIDIA initially focus on before expanding to other computationally intensive fields?',
 'pos': ['Since our original focus on PC graphics, we have expanded to several other large and important computationally intensive fields.'],
 'id': '0',
 'neg': ['Kroger expects that its value creation model will deliver total shareholder return within a target range of 8% to 11% over time.',
  'CSB purchased First Mortgages of $2.9 billion during 2023.',
  'See Note 13 to our Consolidated Financial Statements for information on certain legal proceedings for which there are contingencies.',
  'Diluted earnings per share were $16.69 in fiscal 2022 compared to $15.53 in fiscal 2021.',
  'In the year ended December 31, 2023, Total net sales and revenue increased primarily due to: (1) increased net wholesale volumes primarily due to increased sales of crossover vehicles and full-size pickup trucks, partially offset by decreased sales of mid-size pickup trucks; (2) favorable Price as a result of low dealer inventory levels and strong demand for our products; (3) favorable Mix associated with increased sales of full-size pickup trucks and full-size SUVs and decreased sales of vans, passenger cars and mid-size pickup trucks, partially offset by increased sales of crossover vehicles; and (4) favorable Other due to increased sales of parts and accessories.',
  'As of December 31, 2023, we had 3,157 full-time employees.',
  'Item 3. Legal Proceedings. The information contained in Note 18 ‘‘Commitments and Contingencies’’ included in Item 8 of this 10-K is incorporated herein by reference.',
  'Under the amended 2019 Secured Facility, the maturity date is set to July 20, 2026.',
  'Accounts receivable for Las Vegas Sands Corp. on December 31, 2023, totaled $685 million, with a provision for credit losses of $201 million, resulting in a net balance of $484 million.',
  'Operating expenses as a percentage of segment net sales decreased 25 basis points for fiscal 2023 when compared to the previous fiscal year, primarily driven by strong sales growth and lower incremental COVID-19 related costs, partially offset by increased wage costs.'],
 'prompt': 'Represent this sentence for searching relevant passages: '}

6）划分训练集和测试集
split = ds.train_test_split(test_size=0.1, shuffle=True, seed=520)
train = split["train"]
test = split["test"]
train.to_json("ft_data/training.json")

7） ​​从测试集数据中提取查询文本（query）并重命名列，生成一个专门用于检索任务的标准查询数据集​​
queries = test.select_columns(column_names=["id", "query"])
queries = queries.rename_column("query", "text")
queries[0]

8）从数据集 ds 中提取文档（正样本）数据，并重命名列以生成标准化的语料库数据集​​。
corpus = ds.select_columns(column_names=["id", "pos"])
corpus = corpus.rename_column("pos", "text")

9）构建一个标准的相关性评估数据集（qrels）​​，用于衡量检索系统返回的文档与查询之间的相关性
qrels = test.select_columns(["id"])
qrels = qrels.rename_column("id", "qid")
qrels = qrels.add_column("docid", list(test["id"]))
qrels = qrels.add_column("relevance", [1]*len(test))

10)
queries.to_json("ft_data/test_queries.jsonl")
corpus.to_json("ft_data/corpus.jsonl")
qrels.to_json("ft_data/test_qrels.jsonl")

2)微调

%%bash
torchrun --nproc_per_node 1 \
    -m FlagEmbedding.finetune.embedder.encoder_only.base \
    --model_name_or_path /mnt/workspace/dir \
    --cache_dir ./cache/model \
    --train_data /mnt/workspace/training.json \
    --cache_path ./cache/data \
    --train_group_size 8 \
    --query_max_len 512 \
    --passage_max_len 512 \
    --pad_to_multiple_of 8 \
    --query_instruction_for_retrieval 'Represent this sentence for searching relevant passages: ' \
    --query_instruction_format '{}{}' \
    --knowledge_distillation False \
    --output_dir ./test_encoder_only_base_bge-large-en-v1.5 \
    --overwrite_output_dir \
    --learning_rate 1e-5 \
    --fp16 \
    --num_train_epochs 2 \
    --per_device_train_batch_size 2 \
    --dataloader_drop_last True \
    --warmup_ratio 0.1 \
    --gradient_checkpointing \
    --deepspeed /mnt/workspace/ds_stage0.json \
    --logging_steps 1 \
    --save_steps 1000 \
    --negatives_cross_device \
    --temperature 0.02 \
    --sentence_pooling_method cls \
    --normalize_embeddings True \
    --kd_loss_type kl_div \
    --report_to none

参数说明

以下是针对模型微调参数的 ​​中文详细说明​​，按功能模块分类整理：

​​一、模型相关参数​​

参数名称 类型 说明 默认值/选项
​​model_name_or_path​​ str 预训练模型的路径或HuggingFace Hub名称，用于初始化微调 必填
​​config_name​​ str 预训练配置文件的路径（若与模型名不一致时指定） 同模型名
​​tokenizer_name​​ str 预训练分词器的路径（若与模型名不一致时指定） 同模型名
​​cache_dir​​ str 预训练模型/分词器的缓存目录（避免重复下载） ~/.cache
​​trust_remote_code​​ bool 是否信任远程代码（用于加载自定义模型） False
​​token​​ str 访问私有模型的HuggingFace认证token None

​​二、数据相关参数​​

参数名称 类型 说明 默认值/选项
​​train_data​​ List[str] 训练数据路径（支持多个文件），需包含字段：query(str), pos(List[str]), neg(List[str]) 必填
​​cache_path​​ str 预处理后数据的缓存路径 ./cache
​​train_group_size​​ int 每组训练样本包含的正负例数量（如每组1正例+7负例） 8
​​query_max_len​​ int 查询文本的最大token长度（超长截断） 512
​​passage_max_len​​ int 正/负文本的最大token长度 512
​​pad_to_multiple_of​​ int 将序列填充至该值的整数倍（优化GPU显存） 8
​​max_example_num_per_dataset​​ int 单个数据集的最大样本数（防止内存溢出） 1e8
​​query_instruction_for_retrieval​​ str 查询指令模板（如"Represent this query: "） ""
​​query_instruction_format​​ str 查询指令格式化方式（如"{instruction}{query}"） "{}{}"
​​knowledge_distillation​​ bool 是否启用知识蒸馏（需数据包含pos_scores和neg_scores） False
​​passage_instruction_for_retrieval​​ str 文档指令模板（如"Represent this document: "） None
​​passage_instruction_format​​ str 文档指令格式化方式 "{}{}"
​​shuffle_ratio​​ float 训练时文本的随机打乱比例（增强鲁棒性） 0.0
​​same_dataset_within_batch​​ bool 是否限制同一批数据来自同一数据集 False
​​small_threshold​​ int 小数据集合并阈值（低于此值的目录内数据集合并） 0
​​drop_threshold​​ int 合并后小数据集的丢弃阈值（低于此值丢弃） 0

​​三、训练优化参数​​

参数名称 类型 说明 默认值/选项
​​negatives_cross_device​​ bool 是否跨设备共享负例（分布式训练时节省显存） False
​​temperature​​ float 相似度计算时的温度参数（缩放logits） 0.02
​​fix_position_embedding​​ bool 是否冻结位置编码参数（减少可训练参数量） False
​​sentence_pooling_method​​ str 句子向量的池化方法：cls/mean/last_token cls
​​normalize_embeddings​​ bool 是否对输出向量做L2归一化（影响相似度计算） True
​​sub_batch_size​​ int 子批次大小（用于梯度累积中的内存优化） None
​​kd_loss_type​​ str 知识蒸馏的损失函数类型：kl_div/m3_kd_loss kl_div

以下是针对模型微调参数的 ​​中文详细说明​​，按功能模块分类整理：

​​一、模型相关参数​​

参数名称 类型 说明 默认值/选项
​​model_name_or_path​​ str 预训练模型的路径或HuggingFace Hub名称，用于初始化微调 必填
​​config_name​​ str 预训练配置文件的路径（若与模型名不一致时指定） 同模型名
​​tokenizer_name​​ str 预训练分词器的路径（若与模型名不一致时指定） 同模型名
​​cache_dir​​ str 预训练模型/分词器的缓存目录（避免重复下载） ~/.cache
​​trust_remote_code​​ bool 是否信任远程代码（用于加载自定义模型） False
​​token​​ str 访问私有模型的HuggingFace认证token None

​​二、数据相关参数​​

参数名称 类型 说明 默认值/选项
​​train_data​​ List[str] 训练数据路径（支持多个文件），需包含字段：query(str), pos(List[str]), neg(List[str]) 必填
​​cache_path​​ str 预处理后数据的缓存路径 ./cache
​​train_group_size​​ int 每组训练样本包含的正负例数量（如每组1正例+7负例） 8
​​query_max_len​​ int 查询文本的最大token长度（超长截断） 512
​​passage_max_len​​ int 正/负文本的最大token长度 512
​​pad_to_multiple_of​​ int 将序列填充至该值的整数倍（优化GPU显存） 8
​​max_example_num_per_dataset​​ int 单个数据集的最大样本数（防止内存溢出） 1e8
​​query_instruction_for_retrieval​​ str 查询指令模板（如"Represent this query: "） ""
​​query_instruction_format​​ str 查询指令格式化方式（如"{instruction}{query}"） "{}{}"
​​knowledge_distillation​​ bool 是否启用知识蒸馏（需数据包含pos_scores和neg_scores） False
​​passage_instruction_for_retrieval​​ str 文档指令模板（如"Represent this document: "） None
​​passage_instruction_format​​ str 文档指令格式化方式 "{}{}"
​​shuffle_ratio​​ float 训练时文本的随机打乱比例（增强鲁棒性） 0.0
​​same_dataset_within_batch​​ bool 是否限制同一批数据来自同一数据集 False
​​small_threshold​​ int 小数据集合并阈值（低于此值的目录内数据集合并） 0
​​drop_threshold​​ int 合并后小数据集的丢弃阈值（低于此值丢弃） 0

​​三、训练优化参数​​

参数名称 类型 说明 默认值/选项
​​negatives_cross_device​​ bool 是否跨设备共享负例（分布式训练时节省显存） False
​​temperature​​ float 相似度计算时的温度参数（缩放logits） 0.02
​​fix_position_embedding​​ bool 是否冻结位置编码参数（减少可训练参数量） False
​​sentence_pooling_method​​ str 句子向量的池化方法：cls/mean/last_token cls
​​normalize_embeddings​​ bool 是否对输出向量做L2归一化（影响相似度计算） True
​​sub_batch_size​​ int 子批次大小（用于梯度累积中的内存优化） None
​​kd_loss_type​​ str 知识蒸馏的损失函数类型：kl_div/m3_kd_loss kl_div

​​四、关键参数使用示例​​

1. ​​指令模板配置​​

# 查询指令："为以下问题生成检索向量: [问题]" query_instruction_for_retrieval = "为以下问题生成检索向量: " query_instruction_format = "{}{}" # 文档指令："相关文档内容: [文本]" passage_instruction_for_retrieval = "相关文档内容: " passage_instruction_format = "{}{}"

2. ​​训练组配置​​

train_group_size = 8 # 每组包含1正例 + 7负例 query_max_len = 256 # 短查询场景优化 passage_max_len = 384 # 长文档场景优化

3. ​​知识蒸馏启用​​

knowledge_distillation = True # 需数据包含pos_scores和neg_scores kd_loss_type = "m3_kd_loss" # 使用多任务蒸馏损失

​​五、注意事项​​

  1. ​​数据格式验证​​：确保训练数据包含必需的 query、pos、neg 字段，且 pos/neg 为列表格式。
  2. ​​硬件适配​​：根据GPU显存调整 query_max_len 和 passage_max_len，避免OOM错误。
  3. ​​指令冲突​​：若模型本身已内置指令（如BGE），建议通过实验选择是否叠加外部指令。
  4. ​​池化方法选择​​：
    • cls：适用于BERT系列模型
    • mean：更适合无[CLS] token的模型（如GPT）
    • last_token：常用于因果语言模型

3）评估

1）from datasets import load_dataset

queries = load_dataset("json", data_files="ft_data/test_queries.jsonl")["train"]
corpus = load_dataset("json", data_files="ft_data/corpus.jsonl")["train"]
qrels = load_dataset("json", data_files="ft_data/test_qrels.jsonl")["train"]

queries_text = queries["text"]
corpus_text = [text for sub in corpus["text"] for text in sub]

qrels_dict = {}
for line in qrels:
    if line['qid'] not in qrels_dict:
        qrels_dict[line['qid']] = {}
    qrels_dict[line['qid']][line['docid']] = line['relevance']

​​数据加载​​：读取查询、语料和相关标注
​​结构转换​​：将标注数据转换为快速查询的字典格式
​​字段提取​​：获取纯文本列表用于模型输入
2) 一个 ​​基于稠密向量检索的标准流程​​，核心价值在于：

​​高效检索​​：利用Faiss优化相似度计算
​​灵活扩展​​：通过替换索引类型适配不同规模数据
​​评估友好​​：结果格式兼容信息检索评估协议

import faiss
import numpy as np
from tqdm import tqdm


def search(model, queries_text, corpus_text):
    
    queries_embeddings = model.encode_queries(queries_text)
    corpus_embeddings = model.encode_corpus(corpus_text)
    
    # create and store the embeddings in a Faiss index
    dim = corpus_embeddings.shape[-1]
    index = faiss.index_factory(dim, 'Flat', faiss.METRIC_INNER_PRODUCT)
    corpus_embeddings = corpus_embeddings.astype(np.float32)
    index.train(corpus_embeddings)
    index.add(corpus_embeddings)
    
    query_size = len(queries_embeddings)

    all_scores = []
    all_indices = []

    # search top 100 answers for all the queries
    for i in tqdm(range(0, query_size, 32), desc="Searching"):
        j = min(i + 32, query_size)
        query_embedding = queries_embeddings[i: j]
        score, indice = index.search(query_embedding.astype(np.float32), k=100)
        all_scores.append(score)
        all_indices.append(indice)

    all_scores = np.concatenate(all_scores, axis=0)
    all_indices = np.concatenate(all_indices, axis=0)
    
    # store the results into the format for evaluation
    results = {}
    for idx, (scores, indices) in enumerate(zip(all_scores, all_indices)):
        results[queries["id"][idx]] = {}
        for score, index in zip(scores, indices):
            if index != -1:
                results[queries["id"][idx]][corpus["id"][index]] = float(score)
                
    return results
3）对嵌入模型（原始版与微调版）进行检索性能评估​​


from FlagEmbedding.abc.evaluation.utils import evaluate_metrics, evaluate_mrr
from FlagEmbedding import FlagModel

k_values = [10,100]

raw_name = "BAAI/bge-large-en-v1.5"
finetuned_path = "test_encoder_only_base_bge-large-en-v1.5"

 

4）评估原始模型在 Top-k 的精度（如nDCG@10、Recall@100）和 MRR
raw_model = FlagModel(
    raw_name, 
    query_instruction_for_retrieval="Represent this sentence for searching relevant passages:",
    devices=[0],
    use_fp16=False
)

results = search(raw_model, queries_text, corpus_text)

eval_res = evaluate_metrics(qrels_dict, results, k_values)
mrr = evaluate_mrr(qrels_dict, results, k_values)

for res in eval_res:
    print(res)
print(mrr)

 

5）对 ​​微调后的嵌入模型（Fine-tuned Model）​​ 进行检索性能评估，评估模型在 Top-k 检索中的精度和 MRR（平均倒数排名）
ft_model = FlagModel(
    finetuned_path, 
    query_instruction_for_retrieval="Represent this sentence for searching relevant passages:",
    devices=[0],
    use_fp16=False
)

results = search(ft_model, queries_text, corpus_text)

eval_res = evaluate_metrics(qrels_dict, results, k_values)
mrr = evaluate_mrr(qrels_dict, results, k_values)

for res in eval_res:
    print(res)
print(mrr)

网站公告

今日签到

点亮在社区的每一天
去签到

热门文章

最新发布