实践目标:
跑通simcse,看看和传统bert比,是否表征能力更强,是否相似句的相似度更高,非相似句的相似度更低。
github地址:
https://github.com/princeton-nlp/SimCSE
跑代码踩坑记录:
1. couldn‘t reach http://raw.githubusercontent.com/huggingface/...
原因,因为这个huggingface的代码,跑的过程中需要在线download一些数据和代码,而这些代码是需要vpn的,所以必须开vpn全局模式,而且时灵时不灵。或者你就在gpu服务器访问,例如mistgpu
2. No such file or directory: './SentEval/data/downstream/STS/STSBenchmark/sts-train.csv'
需要手动下载数据集参考:./SentEval/data/download/download_dataset.sh
它会在每次跑验证集的时候,跑一轮huggingface设置的验证集,包括:
怎么取消这种验证方式目前尚不清楚
3. 数据集
分为有监督和无监督
参考:
./data/download_nli.sh和./data/download_wiki.sh
4. 跑通
直接跑还有个问题,就是每次走5 fold cross validation 所以比较慢
5. 实验效果