--- language: [] library_name: sentence-transformers tags: - sentence-transformers - sentence-similarity - feature-extraction - generated_from_trainer - dataset_size:362208 - loss:ContrastiveLoss base_model: vinai/phobert-base-v2 datasets: [] widget: - source_sentence: vùng khí_hậu nóng ẩm ghi_nhận sự tồn_tại của Virus SARS-CoV -2 . sentences: - vùng khí_hậu nóng ẩm ghi_nhận sự tồn_tại của Virus SARS-CoV -2 . - Chế_độ ăn_uống nghỉ_ngơi như_thế_nào là hợp_lý ? - Và bé đang có tình_trạng bị đọng cặn nước_tiểu ở đầu bộ sinh_dục ( bé trai ) . - source_sentence: Khoan xương và chèn vào hai bên hai bong_bóng được gọi là đệm xương . sentences: - Khoan xương và chèn vào hai bên hai bong_bóng được gọi là đệm xương . - 3 hôm_nay bé đi phân chủ_yếu là nhầy có bọt rồi nước lẫn hoa_cà_hoa_cải , thi_thoảng phân có màu xanh đậm . - Sau khi chẩn_đoán , bác_sĩ khuyên anh Khánh nên sớm điều_trị kịp_thời để tránh nhiều biến_chứng . - source_sentence: Những phụ_nữ có tiền_sử bệnh như trên chính là những đối_tượng nguy_cơ của tình_trạng tắc ống dẫn trứng . sentences: - 'Dùng các thiết_bị hỗ_trợ quá_trình di_chuyển đồng_thời giúp cải_thiện chức_năng của các khớp như :' - Những phụ_nữ có tiền_sử bệnh như trên chính là những đối_tượng nguy_cơ của tình_trạng tắc ống dẫn trứng . - Trong các nguyên_nhân sau đây , đâu là các nguyên_nhân khách_quan , không đến từ mẹ và thai_nhi ? - source_sentence: Bé nhà con nay được 1 tháng 23 ngày . sentences: - 'Vú phải : - bất đối_xứng ở vùng dưới ( kích_thước :' - Thưa bác_sĩ tôi 18 tuổi , bị sưng chân răng , nhức tai , nhức đầu với có kêu tiếng trong quai_hàm . - Bé nhà con nay được 1 tháng 23 ngày . - source_sentence: Tuy_nhiên , nếu bệnh không tự lành và vẫn tiếp_tục chảy_máu , cần phải sử_dụng các liệu_pháp cầm máu để bù lại lượng máu đã mất . sentences: - Nguyễn_Thị_Thanh_Tuyền ( 1995 ) . - Bệnh_viện Bệnh Nhiệt_đới Trung_ương cơ_sở Kim_Chung là bệnh_viện khám_chữa bệnh đa_khoa phục_vụ cho người_dân trong cả nước . - 'Một_số yếu_tố làm tăng nguy_cơ mắc bệnh như : Yếu_tố nội_tiết : bệnh thường gặp ở phụ_nữ chậm có kinh và sớm mãn_kinh .' pipeline_tag: sentence-similarity --- # 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) - **Maximum Sequence Length:** 256 tokens - **Output Dimensionality:** 768 tokens - **Similarity Function:** Cosine Similarity ### 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': 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: ```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("sentence_transformers_model_id") # Run inference sentences = [ 'Tuy_nhiên , nếu bệnh không tự lành và vẫn tiếp_tục chảy_máu , cần phải sử_dụng các liệu_pháp cầm máu để bù lại lượng máu đã mất .', 'Một_số yếu_tố làm tăng nguy_cơ mắc bệnh như : Yếu_tố nội_tiết : bệnh thường gặp ở phụ_nữ chậm có kinh và sớm mãn_kinh .', 'Nguyễn_Thị_Thanh_Tuyền ( 1995 ) .', ] 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] ``` ## Training Details ### Training Dataset #### Unnamed Dataset * Size: 362,208 training samples * Columns: sentence_0, sentence_1, and label * Approximate statistics based on the first 1000 samples: | | sentence_0 | sentence_1 | label | |:--------|:-----------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|:---------------------------------------------------------------| | type | string | string | float | | details | | | | * Samples: | sentence_0 | sentence_1 | label | |:--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------------------------------------------------------------------------|:--------------------------------| | Hiệu_lực của vaccine AstraZeneca ra sao ? | Hiệu_lực của vaccine AstraZeneca ra sao ? | 1.0 | | Gần đây , tôi có quen một bạn gái , mỗi lần ngồi gần nhau có cử_chỉ thân_mật thì tôi gần như không kìm chế được có_thể nói là giống như hiện_tượng xuất_tinh sớm . | Chụp CT scanner sọ não : là hình_ảnh tốt nhất để đánh_giá tổn_thương não vì có_thể hiển_thị mô não hoặc xuất_huyết não hoặc nhũn_não . | 0.6540138125419617 | | Sốt siêu_vi sau quan_hệ tình_dục không an_toàn có phải đã nhiễm HIV không ? | Sốt siêu_vi sau quan_hệ tình_dục không an_toàn có phải đã nhiễm HIV không ? | 1.0 | * Loss: [ContrastiveLoss](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#contrastiveloss) with these parameters: ```json { "distance_metric": "SiameseDistanceMetric.COSINE_DISTANCE", "margin": 0.5, "size_average": true } ``` ### Training Hyperparameters #### Non-Default Hyperparameters - `per_device_train_batch_size`: 16 - `per_device_eval_batch_size`: 16 - `num_train_epochs`: 4 - `multi_dataset_batch_sampler`: round_robin #### All Hyperparameters
Click to expand - `overwrite_output_dir`: False - `do_predict`: False - `prediction_loss_only`: True - `per_device_train_batch_size`: 16 - `per_device_eval_batch_size`: 16 - `per_gpu_train_batch_size`: None - `per_gpu_eval_batch_size`: None - `gradient_accumulation_steps`: 1 - `eval_accumulation_steps`: None - `learning_rate`: 5e-05 - `weight_decay`: 0.0 - `adam_beta1`: 0.9 - `adam_beta2`: 0.999 - `adam_epsilon`: 1e-08 - `max_grad_norm`: 1 - `num_train_epochs`: 4 - `max_steps`: -1 - `lr_scheduler_type`: linear - `lr_scheduler_kwargs`: {} - `warmup_ratio`: 0.0 - `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 - `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`: False - `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`: False - `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} - `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`: False - `gradient_checkpointing_kwargs`: None - `include_inputs_for_metrics`: False - `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_sampler`: batch_sampler - `multi_dataset_batch_sampler`: round_robin
### Training Logs
Click to expand | Epoch | Step | Training Loss | |:------:|:-----:|:-------------:| | 0.0221 | 500 | 0.0168 | | 0.0442 | 1000 | 0.0139 | | 0.0663 | 1500 | 0.0142 | | 0.0883 | 2000 | 0.0139 | | 0.1104 | 2500 | 0.0137 | | 0.1325 | 3000 | 0.0139 | | 0.1546 | 3500 | 0.0137 | | 0.1767 | 4000 | 0.0139 | | 0.1988 | 4500 | 0.0136 | | 0.2209 | 5000 | 0.0135 | | 0.2430 | 5500 | 0.0137 | | 0.2650 | 6000 | 0.0138 | | 0.2871 | 6500 | 0.0136 | | 0.3092 | 7000 | 0.0137 | | 0.3313 | 7500 | 0.0138 | | 0.3534 | 8000 | 0.0135 | | 0.3755 | 8500 | 0.0138 | | 0.3976 | 9000 | 0.0138 | | 0.4196 | 9500 | 0.0141 | | 0.4417 | 10000 | 0.0139 | | 0.4638 | 10500 | 0.0139 | | 0.4859 | 11000 | 0.0138 | | 0.5080 | 11500 | 0.0141 | | 0.5301 | 12000 | 0.0138 | | 0.5522 | 12500 | 0.0138 | | 0.5743 | 13000 | 0.0138 | | 0.5963 | 13500 | 0.0138 | | 0.6184 | 14000 | 0.0136 | | 0.6405 | 14500 | 0.0139 | | 0.6626 | 15000 | 0.0151 | | 0.6847 | 15500 | 0.019 | | 0.7068 | 16000 | 0.0184 | | 0.7289 | 16500 | 0.018 | | 0.7509 | 17000 | 0.0163 | | 0.7730 | 17500 | 0.0164 | | 0.7951 | 18000 | 0.0158 | | 0.8172 | 18500 | 0.0155 | | 0.8393 | 19000 | 0.0151 | | 0.8614 | 19500 | 0.0151 | | 0.8835 | 20000 | 0.0152 | | 0.9056 | 20500 | 0.0152 | | 0.9276 | 21000 | 0.0151 | | 0.9497 | 21500 | 0.0148 | | 0.9718 | 22000 | 0.015 | | 0.9939 | 22500 | 0.0147 | | 1.0160 | 23000 | 0.0149 | | 1.0381 | 23500 | 0.0151 | | 1.0602 | 24000 | 0.015 | | 1.0823 | 24500 | 0.0148 | | 1.1043 | 25000 | 0.0147 | | 1.1264 | 25500 | 0.0149 | | 1.1485 | 26000 | 0.0147 | | 1.1706 | 26500 | 0.015 | | 1.1927 | 27000 | 0.0146 | | 1.2148 | 27500 | 0.0145 | | 1.2369 | 28000 | 0.0147 | | 1.2589 | 28500 | 0.0149 | | 1.2810 | 29000 | 0.0147 | | 1.3031 | 29500 | 0.0144 | | 1.3252 | 30000 | 0.0147 | | 1.3473 | 30500 | 0.0147 | | 1.3694 | 31000 | 0.0145 | | 1.3915 | 31500 | 0.0149 | | 1.4136 | 32000 | 0.0147 | | 1.4356 | 32500 | 0.0148 | | 1.4577 | 33000 | 0.0148 | | 1.4798 | 33500 | 0.0145 | | 1.5019 | 34000 | 0.0149 | | 1.5240 | 34500 | 0.0147 | | 1.5461 | 35000 | 0.0146 | | 1.5682 | 35500 | 0.0144 | | 1.5902 | 36000 | 0.0146 | | 1.6123 | 36500 | 0.0143 | | 1.6344 | 37000 | 0.0145 | | 1.6565 | 37500 | 0.0145 | | 1.6786 | 38000 | 0.0146 | | 1.7007 | 38500 | 0.0143 | | 1.7228 | 39000 | 0.0149 | | 1.7449 | 39500 | 0.0143 | | 1.7669 | 40000 | 0.0146 | | 1.7890 | 40500 | 0.0146 | | 1.8111 | 41000 | 0.0146 | | 1.8332 | 41500 | 0.0142 | | 1.8553 | 42000 | 0.0144 | | 1.8774 | 42500 | 0.0146 | | 1.8995 | 43000 | 0.0147 | | 1.9215 | 43500 | 0.0144 | | 1.9436 | 44000 | 0.0145 | | 1.9657 | 44500 | 0.0143 | | 1.9878 | 45000 | 0.0146 | | 2.0099 | 45500 | 0.0143 | | 2.0320 | 46000 | 0.0147 | | 2.0541 | 46500 | 0.0146 | | 2.0762 | 47000 | 0.0144 | | 2.0982 | 47500 | 0.0144 | | 2.1203 | 48000 | 0.0144 | | 2.1424 | 48500 | 0.0145 | | 2.1645 | 49000 | 0.0144 | | 2.1866 | 49500 | 0.0144 | | 2.2087 | 50000 | 0.0141 | | 2.2308 | 50500 | 0.0142 | | 2.2528 | 51000 | 0.0145 | | 2.2749 | 51500 | 0.0143 | | 2.2970 | 52000 | 0.0141 | | 2.3191 | 52500 | 0.0144 | | 2.3412 | 53000 | 0.0143 | | 2.3633 | 53500 | 0.0144 | | 2.3854 | 54000 | 0.0144 | | 2.4075 | 54500 | 0.0144 | | 2.4295 | 55000 | 0.0145 | | 2.4516 | 55500 | 0.0145 | | 2.4737 | 56000 | 0.0144 | | 2.4958 | 56500 | 0.0147 | | 2.5179 | 57000 | 0.0145 | | 2.5400 | 57500 | 0.0144 | | 2.5621 | 58000 | 0.0143 | | 2.5842 | 58500 | 0.0144 | | 2.6062 | 59000 | 0.0143 | | 2.6283 | 59500 | 0.0142 | | 2.6504 | 60000 | 0.0143 | | 2.6725 | 60500 | 0.0143 | | 2.6946 | 61000 | 0.0143 | | 2.7167 | 61500 | 0.0144 | | 2.7388 | 62000 | 0.0143 | | 2.7608 | 62500 | 0.0143 | | 2.7829 | 63000 | 0.0146 | | 2.8050 | 63500 | 0.0144 | | 2.8271 | 64000 | 0.0141 | | 2.8492 | 64500 | 0.0142 | | 2.8713 | 65000 | 0.0143 | | 2.8934 | 65500 | 0.0146 | | 2.9155 | 66000 | 0.0143 | | 2.9375 | 66500 | 0.0143 | | 2.9596 | 67000 | 0.0141 | | 2.9817 | 67500 | 0.0144 | | 3.0038 | 68000 | 0.0143 | | 3.0259 | 68500 | 0.0145 | | 3.0480 | 69000 | 0.0142 | | 3.0701 | 69500 | 0.0145 | | 3.0921 | 70000 | 0.0142 | | 3.1142 | 70500 | 0.0143 | | 3.1363 | 71000 | 0.0142 | | 3.1584 | 71500 | 0.0143 | | 3.1805 | 72000 | 0.0143 | | 3.2026 | 72500 | 0.014 | | 3.2247 | 73000 | 0.0141 | | 3.2468 | 73500 | 0.0142 | | 3.2688 | 74000 | 0.0143 | | 3.2909 | 74500 | 0.0141 | | 3.3130 | 75000 | 0.0141 | | 3.3351 | 75500 | 0.0143 | | 3.3572 | 76000 | 0.0141 | | 3.3793 | 76500 | 0.0143 | | 3.4014 | 77000 | 0.0143 | | 3.4234 | 77500 | 0.0146 | | 3.4455 | 78000 | 0.0144 | | 3.4676 | 78500 | 0.0143 | | 3.4897 | 79000 | 0.0144 | | 3.5118 | 79500 | 0.0145 | | 3.5339 | 80000 | 0.0142 | | 3.5560 | 80500 | 0.0144 | | 3.5781 | 81000 | 0.0143 | | 3.6001 | 81500 | 0.0142 | | 3.6222 | 82000 | 0.0142 | | 3.6443 | 82500 | 0.0142 | | 3.6664 | 83000 | 0.014 | | 3.6885 | 83500 | 0.0144 | | 3.7106 | 84000 | 0.0141 | | 3.7327 | 84500 | 0.0143 | | 3.7547 | 85000 | 0.014 | | 3.7768 | 85500 | 0.0146 | | 3.7989 | 86000 | 0.0143 | | 3.8210 | 86500 | 0.0142 | | 3.8431 | 87000 | 0.0139 | | 3.8652 | 87500 | 0.0143 | | 3.8873 | 88000 | 0.0144 | | 3.9094 | 88500 | 0.0143 | | 3.9314 | 89000 | 0.0142 | | 3.9535 | 89500 | 0.0142 | | 3.9756 | 90000 | 0.0142 |
### Framework Versions - Python: 3.10.13 - Sentence Transformers: 3.1.0.dev0 - Transformers: 4.39.3 - PyTorch: 2.1.2 - Accelerate: 0.29.3 - Datasets: 2.18.0 - Tokenizers: 0.15.2 ## 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", } ``` #### ContrastiveLoss ```bibtex @inproceedings{hadsell2006dimensionality, author={Hadsell, R. and Chopra, S. and LeCun, Y.}, booktitle={2006 IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR'06)}, title={Dimensionality Reduction by Learning an Invariant Mapping}, year={2006}, volume={2}, number={}, pages={1735-1742}, doi={10.1109/CVPR.2006.100} } ```