|
--- |
|
base_model: vinai/phobert-base-v2 |
|
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:291719 |
|
- loss:TripletLoss |
|
- loss:MultipleNegativesRankingLoss |
|
- loss:CosineSimilarityLoss |
|
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 |
|
- jay leno không phải là một diễn_viên hài |
|
- source_sentence: các luật_sư tại california nông_thôn hợp_pháp báo_cáo rằng giữa |
|
bốn_mươi và chín_mươi phần_trăm thẻ xanh của họ đang giữ khách_hàng rời khỏi đất_nước |
|
này trong suốt thời_gian đại_diện |
|
sentences: |
|
- Đa_số những người cầm thẻ xanh vẫn còn ở trong đất_nước trong khi luật_sư của |
|
họ đại_diện cho họ . |
|
- Theo báo_cáo , một phần_trăm của khách_hàng đang giữ thẻ xanh rời khỏi đất_nước |
|
trong khi luật_sư của họ vẫn còn đại_diện cho họ . |
|
- Những bình_luận này được thảo_luận bởi ủy_ban và được công_bố vào ngày 12 tháng |
|
1996 . Năm 1996 . |
|
- source_sentence: một tình_huống giảm_giá loại 4 là nơi mà mailer làm giảm công_việc |
|
yêu_cầu bằng cách thay_đổi hành_vi của mình trong những cách hiệu_quả mà không |
|
phải là dự_đoán hoặc không có vẻ đặc_biệt liên_quan đến bản_chất của giảm_giá |
|
sentences: |
|
- Tôi đã tạo ra một ngành công_nghiệp bối_rối . |
|
- Các bưu_phẩm không có khả_năng giảm các công_việc cần_thiết . |
|
- Một giảm_giá 4 liên_quan đến việc mailer giảm các công_việc cần_thiết . |
|
- source_sentence: khu vườn là một sự cống_hiến mạnh_mẽ cho hàng ngàn chiến_binh ireland |
|
đã chết trong chiến_tranh thế_giới tôi trong khi phục_vụ trong quân_đội anh |
|
sentences: |
|
- Lính Ireland không bao_giờ được phục_vụ với người anh . |
|
- Hàng ngàn lính ireland đã chết trong chiến_tranh thế_giới tôi . |
|
- Chúng_ta đang ở trong một thị_trấn ở bắc potomac , gần potomac . |
|
- source_sentence: Câu trả lời đơn giản là có, chồi hoa trên rau diếp là một dấu hiệu |
|
chắc chắn của việc bắt vít. |
|
sentences: |
|
- Có vẻ như nó đã bắt đầu bắt đầu. |
|
- Hai người đàn ông đang đợi một chuyến đi bên lề đường đất. |
|
- Không có ngụ ý nào về Tom trong một câu như vậy. |
|
model-index: |
|
- name: SentenceTransformer based on vinai/phobert-base-v2 |
|
results: |
|
- task: |
|
type: semantic-similarity |
|
name: Semantic Similarity |
|
dataset: |
|
name: sts evaluator |
|
type: sts-evaluator |
|
metrics: |
|
- type: pearson_cosine |
|
value: 0.5792904289945052 |
|
name: Pearson Cosine |
|
- type: spearman_cosine |
|
value: 0.5984715236620767 |
|
name: Spearman Cosine |
|
- type: pearson_manhattan |
|
value: 0.7080770183005275 |
|
name: Pearson Manhattan |
|
- type: spearman_manhattan |
|
value: 0.7153829171866747 |
|
name: Spearman Manhattan |
|
- type: pearson_euclidean |
|
value: 0.4587817183925291 |
|
name: Pearson Euclidean |
|
- type: spearman_euclidean |
|
value: 0.5290324037028906 |
|
name: Spearman Euclidean |
|
- type: pearson_dot |
|
value: 0.3238803314104464 |
|
name: Pearson Dot |
|
- type: spearman_dot |
|
value: 0.507896687720032 |
|
name: Spearman Dot |
|
- type: pearson_max |
|
value: 0.7080770183005275 |
|
name: Pearson Max |
|
- type: spearman_max |
|
value: 0.7153829171866747 |
|
name: Spearman Max |
|
--- |
|
|
|
# SentenceTransformer based on vinai/phobert-base-v2 |
|
|
|
This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [vinai/phobert-base-v2](https://huggingface.co/vinai/phobert-base-v2). 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:** [vinai/phobert-base-v2](https://huggingface.co/vinai/phobert-base-v2) <!-- at revision 2b51e367d92093c9688112098510e6a58bab67cd --> |
|
- **Maximum Sequence Length:** 512 tokens |
|
- **Output Dimensionality:** 768 tokens |
|
- **Similarity Function:** Cosine Similarity |
|
<!-- - **Training Dataset:** Unknown --> |
|
<!-- - **Language:** Unknown --> |
|
<!-- - **License:** Unknown --> |
|
|
|
### Model Sources |
|
|
|
- **Documentation:** [Sentence Transformers Documentation](https://sbert.net) |
|
- **Repository:** [Sentence Transformers on GitHub](https://github.com/UKPLab/sentence-transformers) |
|
- **Hugging Face:** [Sentence Transformers on Hugging Face](https://huggingface.co/models?library=sentence-transformers) |
|
|
|
### 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: |
|
|
|
```bash |
|
pip install -U sentence-transformers |
|
``` |
|
|
|
Then you can load this model and run inference. |
|
```python |
|
from sentence_transformers import SentenceTransformer |
|
|
|
# Download from the 🤗 Hub |
|
model = SentenceTransformer("huudan123/stag_123") |
|
# Run inference |
|
sentences = [ |
|
'Câu trả lời đơn giản là có, chồi hoa trên rau diếp là một dấu hiệu chắc chắn của việc bắt vít.', |
|
'Có vẻ như nó đã bắt đầu bắt đầu.', |
|
'Hai người đàn ông đang đợi một chuyến đi bên lề đường đất.', |
|
] |
|
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] |
|
``` |
|
|
|
<!-- |
|
### Direct Usage (Transformers) |
|
|
|
<details><summary>Click to see the direct usage in Transformers</summary> |
|
|
|
</details> |
|
--> |
|
|
|
<!-- |
|
### Downstream Usage (Sentence Transformers) |
|
|
|
You can finetune this model on your own dataset. |
|
|
|
<details><summary>Click to expand</summary> |
|
|
|
</details> |
|
--> |
|
|
|
<!-- |
|
### Out-of-Scope Use |
|
|
|
*List how the model may foreseeably be misused and address what users ought not to do with the model.* |
|
--> |
|
|
|
## Evaluation |
|
|
|
### Metrics |
|
|
|
#### Semantic Similarity |
|
* Dataset: `sts-evaluator` |
|
* Evaluated with [<code>EmbeddingSimilarityEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.EmbeddingSimilarityEvaluator) |
|
|
|
| Metric | Value | |
|
|:-------------------|:-----------| |
|
| pearson_cosine | 0.5793 | |
|
| spearman_cosine | 0.5985 | |
|
| pearson_manhattan | 0.7081 | |
|
| spearman_manhattan | 0.7154 | |
|
| pearson_euclidean | 0.4588 | |
|
| spearman_euclidean | 0.529 | |
|
| pearson_dot | 0.3239 | |
|
| spearman_dot | 0.5079 | |
|
| pearson_max | 0.7081 | |
|
| **spearman_max** | **0.7154** | |
|
|
|
<!-- |
|
## Bias, Risks and Limitations |
|
|
|
*What are the known or foreseeable issues stemming from this model? You could also flag here known failure cases or weaknesses of the model.* |
|
--> |
|
|
|
<!-- |
|
### Recommendations |
|
|
|
*What are recommendations with respect to the foreseeable issues? For example, filtering explicit content.* |
|
--> |
|
|
|
## 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 |
|
- `gradient_accumulation_steps`: 2 |
|
- `learning_rate`: 1e-05 |
|
- `num_train_epochs`: 15 |
|
- `lr_scheduler_type`: cosine_with_restarts |
|
- `warmup_ratio`: 0.1 |
|
- `fp16`: True |
|
- `load_best_model_at_end`: True |
|
- `gradient_checkpointing`: True |
|
- `batch_sampler`: no_duplicates |
|
|
|
#### All Hyperparameters |
|
<details><summary>Click to expand</summary> |
|
|
|
- `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`: 2 |
|
- `eval_accumulation_steps`: None |
|
- `learning_rate`: 1e-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`: 15 |
|
- `max_steps`: -1 |
|
- `lr_scheduler_type`: cosine_with_restarts |
|
- `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`: no_duplicates |
|
- `multi_dataset_batch_sampler`: proportional |
|
|
|
</details> |
|
|
|
### Training Logs |
|
<details><summary>Click to expand</summary> |
|
|
|
| Epoch | Step | Training Loss | stage1 loss | stage2 loss | stage3 loss | sts-evaluator_spearman_max | |
|
|:----------:|:--------:|:-------------:|:-----------:|:-----------:|:-----------:|:--------------------------:| |
|
| 0 | 0 | - | - | - | - | 0.6643 | |
|
| 0.0877 | 100 | 4.3054 | - | - | - | - | |
|
| 0.1754 | 200 | 3.93 | - | - | - | - | |
|
| 0.2632 | 300 | 3.585 | - | - | - | - | |
|
| 0.3509 | 400 | 3.4482 | - | - | - | - | |
|
| 0.4386 | 500 | 3.1858 | 4.3297 | 2.6006 | 0.1494 | 0.7527 | |
|
| 0.5263 | 600 | 3.141 | - | - | - | - | |
|
| 0.6140 | 700 | 2.9477 | - | - | - | - | |
|
| 0.7018 | 800 | 2.6271 | - | - | - | - | |
|
| 0.7895 | 900 | 2.6175 | - | - | - | - | |
|
| 0.8772 | 1000 | 2.4931 | 2.9001 | 2.3487 | 0.1593 | 0.6907 | |
|
| 0.9649 | 1100 | 2.4516 | - | - | - | - | |
|
| 1.0526 | 1200 | 2.4662 | - | - | - | - | |
|
| 1.1404 | 1300 | 2.5022 | - | - | - | - | |
|
| 1.2281 | 1400 | 2.4325 | - | - | - | - | |
|
| 1.3158 | 1500 | 2.4058 | 2.7163 | 2.1658 | 0.1392 | 0.7121 | |
|
| 1.4035 | 1600 | 2.3305 | - | - | - | - | |
|
| 1.4912 | 1700 | 2.2677 | - | - | - | - | |
|
| 1.5789 | 1800 | 2.2555 | - | - | - | - | |
|
| 1.6667 | 1900 | 2.2275 | - | - | - | - | |
|
| 1.7544 | 2000 | 2.1846 | 2.5441 | 2.1172 | 0.1293 | 0.6781 | |
|
| 1.8421 | 2100 | 2.2007 | - | - | - | - | |
|
| 1.9298 | 2200 | 2.192 | - | - | - | - | |
|
| 2.0175 | 2300 | 2.1491 | - | - | - | - | |
|
| 2.1053 | 2400 | 2.2419 | - | - | - | - | |
|
| 2.1930 | 2500 | 2.1822 | 2.4765 | 2.0476 | 0.1055 | 0.6893 | |
|
| 2.2807 | 2600 | 2.1384 | - | - | - | - | |
|
| 2.3684 | 2700 | 2.1379 | - | - | - | - | |
|
| 2.4561 | 2800 | 2.0558 | - | - | - | - | |
|
| 2.5439 | 2900 | 2.057 | - | - | - | - | |
|
| 2.6316 | 3000 | 2.0263 | 2.4108 | 2.0751 | 0.0904 | 0.7016 | |
|
| 2.7193 | 3100 | 1.9587 | - | - | - | - | |
|
| 2.8070 | 3200 | 2.0702 | - | - | - | - | |
|
| 2.8947 | 3300 | 2.0058 | - | - | - | - | |
|
| 2.9825 | 3400 | 2.0093 | - | - | - | - | |
|
| 3.0702 | 3500 | 2.0347 | 2.3948 | 1.9958 | 0.0937 | 0.7131 | |
|
| 3.1579 | 3600 | 2.0071 | - | - | - | - | |
|
| 3.2456 | 3700 | 1.9708 | - | - | - | - | |
|
| 3.3333 | 3800 | 2.027 | - | - | - | - | |
|
| 3.4211 | 3900 | 1.9432 | - | - | - | - | |
|
| 3.5088 | 4000 | 1.9245 | 2.3858 | 2.0274 | 0.0831 | 0.7197 | |
|
| 3.5965 | 4100 | 1.8814 | - | - | - | - | |
|
| 3.6842 | 4200 | 1.8619 | - | - | - | - | |
|
| 3.7719 | 4300 | 1.8987 | - | - | - | - | |
|
| 3.8596 | 4400 | 1.8764 | - | - | - | - | |
|
| 3.9474 | 4500 | 1.8908 | 2.3753 | 2.0066 | 0.0872 | 0.7052 | |
|
| 4.0351 | 4600 | 1.8737 | - | - | - | - | |
|
| 4.1228 | 4700 | 1.9289 | - | - | - | - | |
|
| 4.2105 | 4800 | 1.8755 | - | - | - | - | |
|
| 4.2982 | 4900 | 1.8542 | - | - | - | - | |
|
| 4.3860 | 5000 | 1.8514 | 2.3731 | 2.0023 | 0.0824 | 0.7191 | |
|
| 4.4737 | 5100 | 1.7939 | - | - | - | - | |
|
| 4.5614 | 5200 | 1.8126 | - | - | - | - | |
|
| 4.6491 | 5300 | 1.7662 | - | - | - | - | |
|
| 4.7368 | 5400 | 1.7448 | - | - | - | - | |
|
| 4.8246 | 5500 | 1.7736 | 2.3703 | 2.0038 | 0.0768 | 0.7044 | |
|
| 4.9123 | 5600 | 1.7993 | - | - | - | - | |
|
| 5.0 | 5700 | 1.7811 | - | - | - | - | |
|
| 5.0877 | 5800 | 1.7905 | - | - | - | - | |
|
| 5.1754 | 5900 | 1.7539 | - | - | - | - | |
|
| 5.2632 | 6000 | 1.7393 | 2.3568 | 2.0173 | 0.0853 | 0.7263 | |
|
| 5.3509 | 6100 | 1.7882 | - | - | - | - | |
|
| 5.4386 | 6200 | 1.682 | - | - | - | - | |
|
| 5.5263 | 6300 | 1.7175 | - | - | - | - | |
|
| 5.6140 | 6400 | 1.6806 | - | - | - | - | |
|
| 5.7018 | 6500 | 1.6243 | 2.3715 | 2.0202 | 0.0770 | 0.7085 | |
|
| 5.7895 | 6600 | 1.7079 | - | - | - | - | |
|
| 5.8772 | 6700 | 1.6743 | - | - | - | - | |
|
| 5.9649 | 6800 | 1.6897 | - | - | - | - | |
|
| 6.0526 | 6900 | 1.668 | - | - | - | - | |
|
| 6.1404 | 7000 | 1.6806 | 2.3826 | 1.9925 | 0.0943 | 0.7072 | |
|
| 6.2281 | 7100 | 1.6394 | - | - | - | - | |
|
| 6.3158 | 7200 | 1.6738 | - | - | - | - | |
|
| 6.4035 | 7300 | 1.6382 | - | - | - | - | |
|
| 6.4912 | 7400 | 1.6109 | - | - | - | - | |
|
| 6.5789 | 7500 | 1.5864 | 2.3849 | 2.0064 | 0.0831 | 0.7200 | |
|
| 6.6667 | 7600 | 1.5838 | - | - | - | - | |
|
| 6.7544 | 7700 | 1.5776 | - | - | - | - | |
|
| 6.8421 | 7800 | 1.5904 | - | - | - | - | |
|
| 6.9298 | 7900 | 1.6198 | - | - | - | - | |
|
| **7.0175** | **8000** | **1.5661** | **2.3917** | **2.0038** | **0.0746** | **0.7131** | |
|
| 7.1053 | 8100 | 1.6253 | - | - | - | - | |
|
| 7.1930 | 8200 | 1.5564 | - | - | - | - | |
|
| 7.2807 | 8300 | 1.5947 | - | - | - | - | |
|
| 7.3684 | 8400 | 1.5982 | - | - | - | - | |
|
| 7.4561 | 8500 | 1.53 | 2.3761 | 2.0162 | 0.0775 | 0.7189 | |
|
| 7.5439 | 8600 | 1.5412 | - | - | - | - | |
|
| 7.6316 | 8700 | 1.5287 | - | - | - | - | |
|
| 7.7193 | 8800 | 1.4652 | - | - | - | - | |
|
| 7.8070 | 8900 | 1.5611 | - | - | - | - | |
|
| 7.8947 | 9000 | 1.5258 | 2.3870 | 1.9896 | 0.0828 | 0.7126 | |
|
| 7.9825 | 9100 | 1.552 | - | - | - | - | |
|
| 8.0702 | 9200 | 1.5287 | - | - | - | - | |
|
| 8.1579 | 9300 | 1.4889 | - | - | - | - | |
|
| 8.2456 | 9400 | 1.4893 | - | - | - | - | |
|
| 8.3333 | 9500 | 1.5538 | 2.3810 | 1.9956 | 0.0772 | 0.7181 | |
|
| 8.4211 | 9600 | 1.4863 | - | - | - | - | |
|
| 8.5088 | 9700 | 1.4894 | - | - | - | - | |
|
| 8.5965 | 9800 | 1.4516 | - | - | - | - | |
|
| 8.6842 | 9900 | 1.4399 | - | - | - | - | |
|
| 8.7719 | 10000 | 1.4699 | 2.3991 | 1.9760 | 0.0894 | 0.7122 | |
|
| 8.8596 | 10100 | 1.4653 | - | - | - | - | |
|
| 8.9474 | 10200 | 1.4849 | - | - | - | - | |
|
| 9.0351 | 10300 | 1.4584 | - | - | - | - | |
|
| 9.1228 | 10400 | 1.4672 | - | - | - | - | |
|
| 9.2105 | 10500 | 1.4353 | 2.3906 | 2.0104 | 0.0760 | 0.7154 | |
|
|
|
* The bold row denotes the saved checkpoint. |
|
</details> |
|
|
|
### 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 |
|
```bibtex |
|
@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", |
|
} |
|
``` |
|
|
|
#### TripletLoss |
|
```bibtex |
|
@misc{hermans2017defense, |
|
title={In Defense of the Triplet Loss for Person Re-Identification}, |
|
author={Alexander Hermans and Lucas Beyer and Bastian Leibe}, |
|
year={2017}, |
|
eprint={1703.07737}, |
|
archivePrefix={arXiv}, |
|
primaryClass={cs.CV} |
|
} |
|
``` |
|
|
|
#### MultipleNegativesRankingLoss |
|
```bibtex |
|
@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} |
|
} |
|
``` |
|
|
|
<!-- |
|
## Glossary |
|
|
|
*Clearly define terms in order to be accessible across audiences.* |
|
--> |
|
|
|
<!-- |
|
## Model Card Authors |
|
|
|
*Lists the people who create the model card, providing recognition and accountability for the detailed work that goes into its construction.* |
|
--> |
|
|
|
<!-- |
|
## Model Card Contact |
|
|
|
*Provides a way for people who have updates to the Model Card, suggestions, or questions, to contact the Model Card authors.* |
|
--> |
