README.md

metadata

base_model: huudan123/model_stage2
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:5749
  - loss:CosineSimilarityLoss
widget:
  - source_sentence: trắng và nâu đang chạy nhanh qua đám cỏ.
    sentences:
      - Một chiếc máy bay trên bầu trời.
      - trắng lớn đang chạy trên cỏ.
      - Hai con đại bàng đang đậu trên cành cây.
  - source_sentence: >-
      Chúng tôi đang di chuyển \"... liên quan đến khung nghỉ vũ trụ comoving
      ... với tốc độ khoảng 371 km/s về phía chòm sao Sư Tử\".
    sentences:
      - Một bức ảnh đen trắng của một người đàn ông đứng cạnh xe buýt.
      - Một vận động viên quần vợt ở giữa trận đấu.
      - Không có 'tĩnh' không liên quan đến một số đối tượng khác.
  - source_sentence: Một người đàn ông đang trượt băng xuống cầu thang.
    sentences:
      - >-
        Tôi đồng ý với những người khác rằng theo dõi thời gian của bạn là cơ
        bản cho giải pháp.
      - Người đàn ông đang trượt tuyết xuống một ngọn đồi tuyết.
      - Một đứa bé đang cười.
  - source_sentence: >-
      Theo trang web này, cường độ khả kiến cực đại sẽ vào khoảng 10,5 vào
      khoảng ngày 2/2.
    sentences:
      - Trẻ em nhìn một con cừu.
      - >-
        Dữ liệu AAVSO dường như chỉ ra rằng nó có thể đã đạt đỉnh, vào khoảng
        10,5 (trực quan).
      - Chim đen đứng trên bê tông.
  - source_sentence: Tôi có thể nghĩ ra ba yếu tố chính là những phỏng đoán khá logic.
    sentences:
      - Những ở một mình trong rừng.
      - Cô gái đang đứng trước cánh cửa mở của xe buýt.
      - >-
        Đã có khá nhiều nghiên cứu trong bóng đá / bóng đá thảo luận về lợi thế
        sân nhà.
model-index:
  - name: SentenceTransformer based on huudan123/model_stage2
    results:
      - task:
          type: semantic-similarity
          name: Semantic Similarity
        dataset:
          name: sts evaluator
          type: sts-evaluator
        metrics:
          - type: pearson_cosine
            value: 0.8441503922725311
            name: Pearson Cosine
          - type: spearman_cosine
            value: 0.8421281238969126
            name: Spearman Cosine
          - type: pearson_manhattan
            value: 0.8279892522911001
            name: Pearson Manhattan
          - type: spearman_manhattan
            value: 0.8330983818487536
            name: Spearman Manhattan
          - type: pearson_euclidean
            value: 0.828894636417398
            name: Pearson Euclidean
          - type: spearman_euclidean
            value: 0.8343292047884723
            name: Spearman Euclidean
          - type: pearson_dot
            value: 0.8275373666846605
            name: Pearson Dot
          - type: spearman_dot
            value: 0.8264754887785616
            name: Spearman Dot
          - type: pearson_max
            value: 0.8441503922725311
            name: Pearson Max
          - type: spearman_max
            value: 0.8421281238969126
            name: Spearman Max

SentenceTransformer based on huudan123/model_stage2

This is a sentence-transformers model finetuned from huudan123/model_stage2. 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_stage2
• Maximum Sequence Length: 512 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': 512, '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_stage3_2_loss")
# Run inference
sentences = [
    'Tôi có thể nghĩ ra ba yếu tố chính là những phỏng đoán khá logic.',
    'Đã có khá nhiều nghiên cứu trong bóng đá / bóng đá thảo luận về lợi thế sân nhà.',
    'Cô gái đang đứng trước cánh cửa mở của xe buýt.',
]
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	0.8442
spearman_cosine	0.8421
pearson_manhattan	0.828
spearman_manhattan	0.8331
pearson_euclidean	0.8289
spearman_euclidean	0.8343
pearson_dot	0.8275
spearman_dot	0.8265
pearson_max	0.8442
spearman_max	0.8421

Training Details

Training Hyperparameters

Non-Default Hyperparameters

• overwrite_output_dir: True
• eval_strategy: epoch
• per_device_train_batch_size: 128
• per_device_eval_batch_size: 128
• learning_rate: 2e-05
• num_train_epochs: 30
• 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: epoch
• 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
• learning_rate: 2e-05
• weight_decay: 0.0
• adam_beta1: 0.9
• adam_beta2: 0.999
• adam_epsilon: 1e-08
• max_grad_norm: 1.0
• num_train_epochs: 30
• 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
• batch_sampler: batch_sampler
• multi_dataset_batch_sampler: proportional

Training Logs

Epoch	Step	loss	sts-evaluator_spearman_max
0	0	-	0.6240
1.0	45	0.042	0.7695
2.0	90	0.0360	0.8062
3.0	135	0.0303	0.8343
4.0	180	0.0299	0.8375
5.0	225	0.0287	0.8421

• The bold row denotes the saved checkpoint.

Framework Versions

• Python: 3.10.12
• Sentence Transformers: 3.0.1
• Transformers: 4.42.4
• PyTorch: 2.3.1+cu121
• Accelerate: 0.33.0
• Datasets: 2.20.0
• 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",
}