從零開始微調Embedding模型：基于BERT的實戰教程
背景
在理解與學會了Naive RAG的框架流程后，就很自然地關注到embedding模型，與問題相關的文本召回，也有很多論文在做這方面的創新。
以前一直不知道embedding模型是如何微調出來的，一直聽說是微調BERT，但是不知道是怎么微調出來的。直到在B站上看到bge模型微調的視頻[參考資料4]才理解。
于是便想著自己也微調出一個 embedding模型。涉及到下面三個階段：
- 數據集制作
- 模型訓練
- 評估
微調實戰
安裝包
pip install -U FlagEmbedding[finetune]項目基于 https://github.com/FlagOpen/FlagEmbedding，若遇到環境報錯，可參考該項目的環境，完成python環境設置
FlagEmbedding論文：C-Pack: Packed Resources For General Chinese Embeddings ， 也稱 C-METB
介紹
你可以閱讀參考資料[1]和[2]，先嘗試實現一次官方的微調教程。
官方微調的模型是BAAI/bge-large-en-v1.5，我選擇直接微調BERT模型，這樣感受微調的效果更明顯。僅僅是出于學習的目的，我才選擇微調BERT，如果大家打算用于生產環境，還是要選擇微調現成的embedding模型。因為embedding模型也分為預訓練與微調兩個階段，我們不做預訓練。
embedding 模型需要通過encode方法把文本變成向量，而BERT模型沒有encode方法。故要使用FlagEmbedding導入原生的BERT模型。
from FlagEmbedding.inference.embedder.encoder_only.base import BaseEmbedder
# 省略數據集加載代碼
bert_embedding = BaseEmbedder("bert-base-uncased")
# get the embedding of the corpus
corpus_embeddings = bert_embedding.encode(corpus_dataset["text"])
print("shape of the corpus embeddings:", corpus_embeddings.shape)
print("data type of the embeddings: ", corpus_embeddings.dtype)可瀏覽：eval_raw_bert.ipynb
項目文件介紹
數據集構建：
- build_train_dataset.ipynb?: 構建訓練集數據，隨機采樣負樣本數據通過修改?neg_num?的值，構架了training_neg_10.json和training_neg_50.json兩個訓練的數據集，比較增加負樣本的數量是否能提高模型召回的效果(實驗結果表明：這里的效果并不好，提升不明顯)。
- build_eval_dataset.ipynb: 構建測試集數據，評估模型召回的效果。與FlagEmbedding數據集構建結構不同，我個人用這種數據集樣式更方便，不需要像FlagEmbedding一樣從下標讀出正確的樣本的數據。
模型訓練：
- finetune_neg10.sh
- finetune_neg50.sh
finetune_neg10.sh的代碼如下：
torchrun --nproc_per_node=1 \
-m FlagEmbedding.finetune.embedder.encoder_only.base \
--model_name_or_path bert-base-uncased \
--train_data ./ft_data/training_neg_10.json \
--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 '{}{}' \
--output_dir ./output/bert-base-uncased_neg10 \
--overwrite_output_dir \
--learning_rate 1e-5 \
--fp16 \
--num_train_epochs 3 \
--per_device_train_batch_size 4 \
--warmup_ratio 0.1 \
--logging_steps 200 \
--save_steps 2000 \
--temperature 0.02 \
--sentence_pooling_method cls \
--normalize_embeddings True \
--kd_loss_type kl_divbash finetune_neg10.sh > finetune_neg10.log 2>&1 & 把訓練的日志保存到 finetune_neg10.log 日志文件中，訓練用時6分鐘。
neg10代表每條數據10個負樣本，neg50代表每條數據50個負樣本。
評估：
評估是在所有語料上完成的評估，并不是在指定的固定數量的負樣本上完成的評估。由于是在全部語料上完成召回，故使用到了faiss向量數據庫。
- eval_raw_bert.ipynb: 評估BERT原生模型
- eval_train_neg10.ipynb: 評估基于10條負樣本微調后的模型
- eval_train_neg50.ipynb: 評估基于50條負樣本微調后的模型
- eval_bge_m3.ipynb: 評估 BAAI 現在表現效果好的 BGE-M3 模型
結論：通過評估結果，可看出BERT經過微調后的提升明顯，但依然達不到BGE-M3 模型的效果。
微調硬件配置要求
微調過程中GPU顯存占用達到了9G左右
設備只有一臺GPU
debug 重要代碼分析【選看】
下述代碼是舊版本的代碼，不是最新的FlagEmbedding的代碼：
- 視頻教程，bge模型微調流程：https://www.bilibili.com/video/BV1eu4y1x7ix/
推薦使用23年10月份的代碼進行debug，關注核心代碼。新版的加了抽象類與繼承，增加了很多額外的東西，使用早期版本debug起來更聚焦一些。
由于需要傳遞參數再運行腳本，需要在pycharm配置一些與運行相關的參數：
下述是embedding計算損失的核心代碼，這里的query與passage都是batch_size數量的輸入，如果只是一條query與passage，大家理解起來就容易很多。由于這里是batch_size數量的輸入，代碼中涉及到矩陣運算會給大家帶來理解困難。
比較難理解的是下述代碼，這里的target 其實就是label：
target = torch.arange(
scores.size(0), device=scores.device, dtype=torch.long
)
target = target * (p_reps.size(0) // q_reps.size(0))p_reps 是相關文本矩陣， q_reps 是問題矩陣。每一個問題都對應固定數量的相關文本。p_reps.size(0) // q_reps.size(0) 是每個問題對應的相關文本的數量。下一行的target 乘以 相關文本的塊數，得到query對應的 Gold Truth(也稱 pos 文本)的下標，因為在每個相關文本中，第一個位置都是正確文本，其后是負樣本，這些 Gold Truth 下標之間的距離是固定，通過乘法就可以計算出每個 Gold Truth 的下標。
額外補充【選看】：
在微調的過程中，不要錯誤的以為每個問題只和自己的相關文本計算score。真實的情況是，在batch_size的數據中，每個問題會與所有的相關文本計算score。根據上述代碼可看出 target 最大的取值是：query的數量 x 相關文本數量，這也印證了每個問題會與所有的相關文本都計算score。故我們在隨機采樣負樣本的時候，負樣本數量設置的太小也不用太擔心，因為在計算過程中負樣本的數量會乘以 batch_size。
【注意】：query的數量 = batch_size
- 損失函數
image-20250405174449800
image-20250407143100543
def compute_loss(self, scores, target):
return self.cross_entropy(scores, target)C-METB 論文中，關于損失函數的介紹，公式看起來很復雜，本質就是cross_entropy。
資源分享
上述的代碼開源在github平臺，為了不增大github倉庫的容量，數據集沒有上傳到github平臺。若希望直接獲得完整的項目文件夾，從下述提供的網盤分享鏈接進行下載：
- github開源地址：https://github.com/JieShenAI/csdn/tree/main/25/04/embedding_finetune
- 通過網盤分享的文件：embedding_finetune.zip鏈接: https://pan.baidu.com/s/1CDRpkkjS1-0jtmIBiTWx1A 提取碼: free
最新的代碼，請以 github 的鏈接為準，網盤分享的文件，本意只是為了存儲數據，避免增加github倉庫的容量
CSDN: https://jieshen.blog.csdn.net/article/details/147043668
參考資料
[1] BAAI官方微調教程： ??https://github.com/FlagOpen/FlagEmbedding/blob/master/Tutorials/7_Fine-tuning/7.1.2_Fine-tune.ipynb??
[2] BAAI官方評估教程：??https://github.com/FlagOpen/FlagEmbedding/blob/master/Tutorials/4_Evaluation/4.1.1_Evaluation_MSMARCO.ipynb??
[3] 多文檔知識圖譜問答：??https://jieshen.blog.csdn.net/article/details/146390208??
[4] bge模型微調流程：??https://www.bilibili.com/video/BV1eu4y1x7ix/??
[5] FlagEmbedding 舊版本可用于debug的代碼：https://github.com/FlagOpen/FlagEmbedding/blob/9b6e521bcb7583ed907f044ca092daef0ee90431/FlagEmbedding/baai_general_embedding/finetune/run.py
本文轉載自??AI悠閑區??，作者：jieshenai
