README.md

metadata

base_model: huudan123/model_stage1_latest
datasets: []
language: []
library_name: sentence-transformers
metrics:
  - pearson_cosine
  - spearman_cosine
  - pearson_manhattan
  - spearman_manhattan
  - pearson_euclidean
  - spearman_euclidean
  - pearson_dot
  - spearman_dot
  - pearson_max
  - spearman_max
pipeline_tag: sentence-similarity
tags:
  - sentence-transformers
  - sentence-similarity
  - feature-extraction
  - generated_from_trainer
  - dataset_size:183796
  - loss:MultipleNegativesRankingLoss
widget:
  - source_sentence: >-
      nếu thời_gian đến mà họ phải có một cuộc đấu_tranh johny shanon có_thể là
      một người ngạc_nhiên
    sentences:
      - johny nghĩ anh ta là người giỏi nhất trong thị_trấn
      - nếu một cuộc đấu_tranh đã xảy ra johny có_thể ngạc_nhiên đấy
      - tất_cả bằng_chứng về văn_hóa từ xã_hội của umbria đã bị mất
  - source_sentence: chèn jay leno đùa ở đây
    sentences:
      - mathews đã chỉ ra rằng sẽ không cần phải tuyển_dụng luật_sư địa_phương
      - đây là nơi mà một trò_đùa jay leno sẽ đi
      - jay leno không phải là một diễn_viên hài
  - source_sentence: đúng_vậy tất_cả là lỗi của họ
    sentences:
      - bạn bị giới_hạn bởi số_lượng bộ_nhớ bạn đã có
      - phải tất_cả đều là lỗi của họ
      - rõ_ràng là tất_cả những lỗi của công_nhân
  - source_sentence: >-
      6 mặc_dù mỗi cơ_quan phát_triển và triển_khai các thỏa_thuận hiệu_quả
      phản_ánh các ưu_tiên tổ_chức cụ_thể cấu_trúc và nền văn_hóa các thỏa_thuận
      hiệu_quả đã gặp các đặc_điểm sau
    sentences:
      - các thỏa_thuận hiệu_quả đã được phát_hành từ mỗi đại_lý
      - kế_hoạch hiệu_quả loại_trừ bất_cứ điều gì để làm với các cấu_trúc
      - không có gì bên trong sảnh trên đồi cả
  - source_sentence: hay na uy hay gì đó
    sentences:
      - na uy hay cái gì đó khác
      - điều đó hoàn_toàn không đúng
      - na uy hoặc từ một trong những quốc_gia scandinavia
model-index:
  - name: SentenceTransformer based on huudan123/model_stage1_latest
    results:
      - task:
          type: semantic-similarity
          name: Semantic Similarity
        dataset:
          name: sts evaluator
          type: sts-evaluator
        metrics:
          - type: pearson_cosine
            value: 0.6158424066486425
            name: Pearson Cosine
          - type: spearman_cosine
            value: 0.6200905366847259
            name: Spearman Cosine
          - type: pearson_manhattan
            value: 0.6137620700797655
            name: Pearson Manhattan
          - type: spearman_manhattan
            value: 0.6106931830117198
            name: Spearman Manhattan
          - type: pearson_euclidean
            value: 0.613128823594717
            name: Pearson Euclidean
          - type: spearman_euclidean
            value: 0.609682273061411
            name: Spearman Euclidean
          - type: pearson_dot
            value: 0.5450997545843528
            name: Pearson Dot
          - type: spearman_dot
            value: 0.5476322217461067
            name: Spearman Dot
          - type: pearson_max
            value: 0.6158424066486425
            name: Pearson Max
          - type: spearman_max
            value: 0.6200905366847259
            name: Spearman Max

SentenceTransformer based on huudan123/model_stage1_latest

This is a sentence-transformers model finetuned from huudan123/model_stage1_latest. It maps sentences & paragraphs to a 768-dimensional dense vector space and can be used for semantic textual similarity, semantic search, paraphrase mining, text classification, clustering, and more.

Model Details

Model Description

• Model Type: Sentence Transformer
• Base model: huudan123/model_stage1_latest
• Maximum Sequence Length: 256 tokens
• Output Dimensionality: 768 tokens
• Similarity Function: Cosine Similarity

Model Sources

• Documentation: Sentence Transformers Documentation
• Repository: Sentence Transformers on GitHub
• Hugging Face: Sentence Transformers on Hugging Face

Full Model Architecture

SentenceTransformer(
  (0): Transformer({'max_seq_length': 256, 'do_lower_case': False}) with Transformer model: RobertaModel 
  (1): Pooling({'word_embedding_dimension': 768, 'pooling_mode_cls_token': False, 'pooling_mode_mean_tokens': True, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False, 'pooling_mode_weightedmean_tokens': False, 'pooling_mode_lasttoken': False, 'include_prompt': True})
)

Usage

Direct Usage (Sentence Transformers)

First install the Sentence Transformers library:

pip install -U sentence-transformers

Then you can load this model and run inference.

from sentence_transformers import SentenceTransformer

# Download from the 🤗 Hub
model = SentenceTransformer("huudan123/model_stage2_latest")
# Run inference
sentences = [
    'hay na uy hay gì đó',
    'na uy hoặc từ một trong những quốc_gia scandinavia',
    'na uy hay cái gì đó khác',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 768]

# Get the similarity scores for the embeddings
similarities = model.similarity(embeddings, embeddings)
print(similarities.shape)
# [3, 3]

Evaluation

Metrics

Semantic Similarity

• Dataset: sts-evaluator
• Evaluated with EmbeddingSimilarityEvaluator

Metric	Value
pearson_cosine	0.6158
spearman_cosine	0.6201
pearson_manhattan	0.6138
spearman_manhattan	0.6107
pearson_euclidean	0.6131
spearman_euclidean	0.6097
pearson_dot	0.5451
spearman_dot	0.5476
pearson_max	0.6158
spearman_max	0.6201

Training Details

Training Hyperparameters

Non-Default Hyperparameters

• overwrite_output_dir: True
• eval_strategy: steps
• per_device_train_batch_size: 128
• per_device_eval_batch_size: 128
• learning_rate: 2e-05
• weight_decay: 0.01
• num_train_epochs: 5
• warmup_ratio: 0.1
• fp16: True
• load_best_model_at_end: True
• gradient_checkpointing: True

All Hyperparameters

Click to expand

• overwrite_output_dir: True
• do_predict: False
• eval_strategy: steps
• prediction_loss_only: True
• per_device_train_batch_size: 128
• per_device_eval_batch_size: 128
• per_gpu_train_batch_size: None
• per_gpu_eval_batch_size: None
• gradient_accumulation_steps: 1
• eval_accumulation_steps: None
• torch_empty_cache_steps: None
• learning_rate: 2e-05
• weight_decay: 0.01
• adam_beta1: 0.9
• adam_beta2: 0.999
• adam_epsilon: 1e-08
• max_grad_norm: 1.0
• num_train_epochs: 5
• max_steps: -1
• lr_scheduler_type: linear
• lr_scheduler_kwargs: {}
• warmup_ratio: 0.1
• warmup_steps: 0
• log_level: passive
• log_level_replica: warning
• log_on_each_node: True
• logging_nan_inf_filter: True
• save_safetensors: True
• save_on_each_node: False
• save_only_model: False
• restore_callback_states_from_checkpoint: False
• no_cuda: False
• use_cpu: False
• use_mps_device: False
• seed: 42
• data_seed: None
• jit_mode_eval: False
• use_ipex: False
• bf16: False
• fp16: True
• fp16_opt_level: O1
• half_precision_backend: auto
• bf16_full_eval: False
• fp16_full_eval: False
• tf32: None
• local_rank: 0
• ddp_backend: None
• tpu_num_cores: None
• tpu_metrics_debug: False
• debug: []
• dataloader_drop_last: False
• dataloader_num_workers: 0
• dataloader_prefetch_factor: None
• past_index: -1
• disable_tqdm: False
• remove_unused_columns: True
• label_names: None
• load_best_model_at_end: True
• ignore_data_skip: False
• fsdp: []
• fsdp_min_num_params: 0
• fsdp_config: {'min_num_params': 0, 'xla': False, 'xla_fsdp_v2': False, 'xla_fsdp_grad_ckpt': False}
• fsdp_transformer_layer_cls_to_wrap: None
• accelerator_config: {'split_batches': False, 'dispatch_batches': None, 'even_batches': True, 'use_seedable_sampler': True, 'non_blocking': False, 'gradient_accumulation_kwargs': None}
• deepspeed: None
• label_smoothing_factor: 0.0
• optim: adamw_torch
• optim_args: None
• adafactor: False
• group_by_length: False
• length_column_name: length
• ddp_find_unused_parameters: None
• ddp_bucket_cap_mb: None
• ddp_broadcast_buffers: False
• dataloader_pin_memory: True
• dataloader_persistent_workers: False
• skip_memory_metrics: True
• use_legacy_prediction_loop: False
• push_to_hub: False
• resume_from_checkpoint: None
• hub_model_id: None
• hub_strategy: every_save
• hub_private_repo: False
• hub_always_push: False
• gradient_checkpointing: True
• gradient_checkpointing_kwargs: None
• include_inputs_for_metrics: False
• eval_do_concat_batches: True
• fp16_backend: auto
• push_to_hub_model_id: None
• push_to_hub_organization: None
• mp_parameters:
• auto_find_batch_size: False
• full_determinism: False
• torchdynamo: None
• ray_scope: last
• ddp_timeout: 1800
• torch_compile: False
• torch_compile_backend: None
• torch_compile_mode: None
• dispatch_batches: None
• split_batches: None
• include_tokens_per_second: False
• include_num_input_tokens_seen: False
• neftune_noise_alpha: None
• optim_target_modules: None
• batch_eval_metrics: False
• eval_on_start: False
• eval_use_gather_object: False
• batch_sampler: batch_sampler
• multi_dataset_batch_sampler: proportional

Training Logs

Epoch	Step	Training Loss	loss	sts-evaluator_spearman_max
0	0	-	-	0.5824
0.1741	250	5.8989	-	-
0.3482	500	2.3493	2.3052	0.6849
0.5223	750	2.2177	-	-
0.6964	1000	2.0936	2.1683	0.6644
0.8705	1250	2.033	-	-
1.0446	1500	1.941	2.0962	0.6201

• The bold row denotes the saved checkpoint.

Framework Versions

• Python: 3.10.12
• Sentence Transformers: 3.0.1
• Transformers: 4.44.0
• PyTorch: 2.4.0+cu121
• Accelerate: 0.33.0
• Datasets: 2.21.0
• Tokenizers: 0.19.1

Citation

BibTeX

Sentence Transformers

@inproceedings{reimers-2019-sentence-bert,
    title = "Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks",
    author = "Reimers, Nils and Gurevych, Iryna",
    booktitle = "Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing",
    month = "11",
    year = "2019",
    publisher = "Association for Computational Linguistics",
    url = "https://arxiv.org/abs/1908.10084",
}

MultipleNegativesRankingLoss

@misc{henderson2017efficient,
    title={Efficient Natural Language Response Suggestion for Smart Reply}, 
    author={Matthew Henderson and Rami Al-Rfou and Brian Strope and Yun-hsuan Sung and Laszlo Lukacs and Ruiqi Guo and Sanjiv Kumar and Balint Miklos and Ray Kurzweil},
    year={2017},
    eprint={1705.00652},
    archivePrefix={arXiv},
    primaryClass={cs.CL}
}