本文介绍如何使用 PyTorch 和三元组边缘损失 (Triplet Margin Loss) 微调嵌入模型，并重点阐述实现细节和代码示例。三元组损失是一种对比损失函数，通过缩小锚点与正例间的距离，同时扩大锚点与负例间的距离来优化模型。

一般的嵌入模型都会使用Sentence Transformer ，其中的 encode() 方法可以直接处理文本输入。但是为了进行微调，我们需要采用 Transformer 库，所以就要将文本转换为模型可接受的 token IDs 和 attention masks。Token IDs 代表模型词汇表中的词或字符，attention masks 用于防止模型关注填充 tokens。

本文使用 thenlper/gte-base 模型，需要对应的 tokenizer 对文本进行预处理。该模型基于 BertModel 架构：

BertModel(  (embeddings): BertEmbeddings(    (word_embeddings): Embedding(30522, 768, padding_idx=0)    (position_embeddings): Embedding(512, 768)    (token_type_embeddings): Embedding(2, 768)    (LayerNorm): LayerNorm((768,), eps=1e-12, elementwise_affine=True)    (dropout): Dropout(p=0.1, inplace=False)  )  (encoder): BertEncoder(    (layer): ModuleList(      (0-11): 12 x BertLayer(        (attention): BertAttention(          (self): BertSdpaSelfAttention(            (query): Linear(in_features=768, out_features=768, bias=True)            (key): Linear(in_features=768, out_features=768, bias=True)            (value): Linear(in_features=768, out_features=768, bias=True)            (dropout): Dropout(p=0.1, inplace=False)          )          (output): BertSelfOutput(            (dense): Linear(in_features=768, out_features=768, bias=True)            (LayerNorm): LayerNorm((768,), eps=1e-12, elementwise_affine=True)            (dropout): Dropout(p=0.1, inplace=False)          )        )        (intermediate): BertIntermediate(          (dense): Linear(in_features=768, out_features=3072, bias=True)          (intermediate_act_fn): GELUActivation()        )        (output): BertOutput(          (dense): Linear(in_features=3072, out_features=768, bias=True)          (LayerNorm): LayerNorm((768,), eps=1e-12, elementwise_affine=True)          (dropout): Dropout(p=0.1, inplace=False)        )      )    )  )  (pooler): BertPooler(    (dense): Linear(in_features=768, out_features=768, bias=True)    (activation): Tanh()  ))

利用 Transformers 库的 AutoTokenizer 和 AutoModel 可以简化模型加载过程，无需手动处理底层架构和配置细节。

from transformers import AutoTokenizer, AutoModel  from tqdm import tqdm  tokenizer = AutoTokenizer.from_pretrained("thenlper/gte-base")    # 获取文本并进行标记  train_texts = [df_train.loc[i]['content'] for i in range(df_train.shape[0])]  dev_texts = [df_dev.loc[i]['content'] for i in range(df_dev.shape[0])]  test_texts = [df_test.loc[i]['content'] for i in range(df_test.shape[0])]    train_tokens = []  train_attention_masks = []  dev_tokens = []  dev_attention_masks = []  test_tokens = []  test_attention_masks = []    for sent in tqdm(train_texts):    encoding = tokenizer(sent, truncation=True, padding='max_length', return_tensors='pt')    train_tokens.append(encoding['input_ids'].squeeze(0))    train_attention_masks.append(encoding['attention_mask'].squeeze(0))    for sent in tqdm(dev_texts):    encoding = tokenizer(sent, truncation=True, padding='max_length', return_tensors='pt')    dev_tokens.append(encoding['input_ids'].squeeze(0))    dev_attention_masks.append(encoding['attention_mask'].squeeze(0))    for sent in tqdm(test_texts):    encoding = tokenizer(sent, truncation=True, padding='max_length', return_tensors='pt')    test_tokens.append(encoding['input_ids'].squeeze(0))    test_attention_masks.append(encoding['attention_mask'].squeeze(0))

获取 token IDs 和 attention masks 后，需要将其存储并创建一个自定义的 PyTorch 数据集。

import random  from collections import defaultdict  import torch  from torch.utils.data import Dataset, DataLoader, Sampler, SequentialSampler    class CustomTripletDataset(Dataset):      def __init__(self, tokens, attention_masks, labels):          self.tokens = tokens          self.attention_masks = attention_masks          self.labels = torch.Tensor(labels)          self.label_dict = defaultdict(list)            for i in range(len(tokens)):              self.label_dict[int(self.labels[i])].append(i)          self.unique_classes = list(self.label_dict.keys())        def __len__(self):          return len(self.tokens)        def __getitem__(self, index):          ids = self.tokens[index].to(device)          ams = self.attention_masks[index].to(device)          y = self.labels[index].to(device)          return ids, ams, y

由于采用三元组损失，需要从数据集中采样正例和负例。label_dict 字典用于存储每个类别及其对应的数据索引，方便随机采样。DataLoader 用于加载数据集：

train_loader = DataLoader(train_dataset, batch_sampler=train_batch_sampler)

其中 train_batch_sampler 是自定义的批次采样器：

class CustomBatchSampler(SequentialSampler):      def __init__(self, dataset, batch_size):          self.dataset = dataset          self.batch_size = batch_size          self.unique_classes = sorted(dataset.unique_classes)          self.label_dict = dataset.label_dict          self.num_batches = len(self.dataset) // self.batch_size          self.class_size = self.batch_size // 4        def __iter__(self):          total_samples_used = 0          weights = np.repeat(1, len(self.unique_classes))            while total_samples_used < len(self.dataset):              batch = []              classes = []              for _ in range(4):                  next_selected_class = self._select_class(weights)                  while next_selected_class ines:                    next_selected_class = self._select_class(weights)                  weights[next_selected_class] += 1                  classes.append(next_selected_class)                  new_choices = self.label_dict[next_selected_class]                  remaining_samples = list(np.random.choice(new_choices, min(self.class_size, len(new_choices)), replace=False))                  batch.extend(remaining_samples)                total_samples_used += len(batch)                yield batch        def _select_class(self, weights):          dist = 1/weights          dist = dist/np.sum(dist)          selected = int(np.random.choice(self.unique_classes, p=dist))          return selected        def __len__(self):          return self.num_batches

自定义批次采样器控制训练批次的构成，本文的实现确保每个批次包含 4 个类别，每个类别包含 8 个数据点。验证采样器则确保验证集批次在不同 epoch 间保持一致。

嵌入模型通常基于 Transformer 架构，输出每个 token 的嵌入。为了获得句子嵌入，需要对 token 嵌入进行汇总。常用的方法包括 CLS 池化和平均池化。本文使用的 gte-base 模型采用平均池化，需要从模型输出中提取 token 嵌入并计算平均值。

import torch.nn.functional as F  import torch.nn as nn    class EmbeddingModel(nn.Module):      def __init__(self, base_model):          super().__init__()          self.base_model = base_model        def average_pool(self, last_hidden_states, attention_mask):          # 平均 token 嵌入          last_hidden = last_hidden_states.masked_fill(~attention_mask[..., None].bool(), 0.0)          return last_hidden.sum(dim=1) / attention_mask.sum(dim=1)[..., None]        def forward(self, input_ids, attention_mask):          outputs = self.base_model(input_ids=input_ids, attention_mask=attention_mask)          last_hidden_state = outputs.last_hidden_state          pooled_output = self.average_pool(last_hidden_state, attention_mask)          normalized_output = F.normalize(pooled_output, p=2, dim=1)          return normalized_output    base_model = AutoModel.from_pretrained("thenlper/gte-base")  model = EmbeddingModel(base_model)

EmbeddingModel 类封装了 Hugging Face 模型，并实现了平均池化和嵌入归一化。

训练循环中需要动态计算每个锚点的最难正例和最难负例。

import numpy as np    def train(model, train_loader, criterion, optimizer, scheduler):      model.train()      epoch_train_losses = []        for idx, (ids, attention_masks, labels) in enumerate(train_loader):          optimizer.zero_grad()            embeddings = model(ids, attention_masks)            distance_matrix = torch.cdist(embeddings, embeddings, p=2) # 创建方形距离矩阵            anchors = []          positives = []          negatives = []            for i in range(len(labels)):                anchor_label = labels[i].item()              anchor_distance = distance_matrix[i] # 锚点与所有其他点之间的距离                # 最难的正例（同一类别中最远的）              hardest_positive_idx = (labels == anchor_label).nonzero(as_tuple=True)[0] # 所有同类索引              hardest_positive_idx = hardest_positive_idx[hardest_positive_idx != i] # 排除自己的标签              hardest_positive = hardest_positive_idx[anchor_distance[hardest_positive_idx].argmax()] # 最远同类的标签                # 最难的负例（不同类别中最近的）              hardest_negative_idx = (labels != anchor_label).nonzero(as_tuple=True)[0] # 所有不同类索引              hardest_negative = hardest_negative_idx[anchor_distance[hardest_negative_idx].argmin()] # 最近不同类的标签                # 加载选择的              anchors.append(embeddings[i])              positives.append(embeddings[hardest_positive])              negatives.append(embeddings[hardest_negative])            # 将列表转换为张量          anchors = torch.stack(anchors)          positives = torch.stack(positives)          negatives = torch.stack(negatives)            # 计算损失          loss = criterion(anchors, positives, negatives)          epoch_train_losses.append(loss.item())            # 反向传播和优化          loss.backward()          optimizer.step()            # 更新学习率          scheduler.step()        return np.mean(epoch_train_losses)

训练过程中使用 torch.cdist() 计算嵌入间的距离矩阵，并根据距离选择最难正例和最难负例。PyTorch 的 TripletMarginLoss 用于计算损失。

实践表明，Batch Hard Triplet Loss 在某些情况下并非最优选择。例如，当正例样本内部差异较大时，强制其嵌入相似可能适得其反。

本文的重点在于 PyTorch 中自定义批次采样和动态距离计算的实现。

对于某些任务，直接在分类任务上微调嵌入模型可能比使用三元组损失更有效。

https://avoid.overfit.cn/post/4b8a8e91f3274f8ca41bfff2a2d60abe