Hugging Face's logo

codersan
/
validadted_e5smallStudent3

Sentence Similarity
sentence-transformers
TensorBoard
Safetensors
bert
feature-extraction
Generated from Trainer
dataset_size:12000
loss:CosineSimilarityLoss
text-embeddings-inference
Model card Files Metrics Community
validadted_e5smallStudent3 / README.md
codersan's picture
codersan
Add new SentenceTransformer model
3559061 verified
preview code
|
raw
history blame contribute delete
17.6 kB
metadata
tags:
  - sentence-transformers
  - sentence-similarity
  - feature-extraction
  - generated_from_trainer
  - dataset_size:12000
  - loss:CosineSimilarityLoss
base_model: intfloat/multilingual-e5-small
widget:
  - source_sentence: تفاوت‌های کلیدی بین موتورهای دیزلی و بنزینی چیست؟
    sentences:
      - >-
        یک VPN یا شبکه خصوصی مجازی، ارتباط اینترنتی شما را رمزنگاری کرده و آن را
        از طریق یک سرور در مکانی که خودتان انتخاب کرده‌اید هدایت می‌کند و حفظ
        حریم خصوصی و امنیت را فراهم می‌آورد.
      - >-
        طراحان صدا روی عناصر صوتی یک فیلم کار می‌کنند، از جمله افکت‌های صوتی و
        دیالوگ.
      - سوخت دیزل چگال‌تر است و انرژی بیشتری در هر گالن نسبت به بنزین دارد.
  - source_sentence: ماده تاریک چیست؟
    sentences:
      - >-
        مطالعه موجودات بیلومینسانس می‌تواند به بهبود درک ما از فرآیندهای سلولی
        کمک کند.
      - >-
        رِف بزرگ مرجانی بزرگترین سیستم مرجانی جهان است که در استرالیا واقع شده
        است.
      - >-
        بسیاری از دانشمندان در حال انجام آزمایش‌هایی برای شناسایی مستقیم ذرات
        ماده تاریک هستند.
  - source_sentence: کشاورزی دقیق چه معنایی دارد؟
    sentences:
      - >-
        پستانداران با وجود غده‌های شیری مشخص می‌شوند که شیر تولید می‌کنند تا
        فرزندان خود را تغذیه کنند و معمولاً دارای مو یا پشم هستند.
      - >-
        در حالی که آنتی‌بیوتیک‌ها برای درمان عفونت‌های باکتریایی استفاده
        می‌شوند، آنها در برابر عفونت‌های ویروسی مانند سرماخوردگی یا آنفولانزا
        بی‌اثر هستند.
      - >-
        کشاورزان از کشاورزی دقیق استفاده می‌کنند تا تصمیمات بهتری درباره کاشت،
        کوددهی و برداشت محصولات بگیرند.
  - source_sentence: کشف رنگ تغییر می‌دهد؟
    sentences:
      - >-
        داسته‌زبان‌ها نوعی از مارمولک‌ها هستند که در بخش‌های مختلف جهان یافت
        می‌شوند.
      - >-
        استفاده از مالچ برای پوشاندن خاک می‌تواند به حفظ رطوبت کمک کرده و نیاز
        به آبیاری مکرر را کاهش دهد.
      - >-
        در حین همجوشی باکتریایی، یک سلول اهداکننده DNA را از طریق پیلاسی که
        ساختاری شبیه به پل است به یک سلول گیرنده منتقل می‌کند.
  - source_sentence: مصریان باستان چگونه هرم‌ها را ساختند؟
    sentences:
      - >-
        جنگ سرد بر توسعه سازمان‌های بین‌المللی که به حفظ صلح و امنیت می‌پردازند،
        تأثیر گذاشت.
      - >-
        مزایای بیکاری بین کشورها به طور وسیعی متفاوت است، به طوری که برخی از
        آنها حمایت بیشتری نسبت به دیگران ارائه می‌دهند.
      - >-
        هرمی‌ها به عنوان مقبره‌هایی برای فراعنه ساخته شدند و هدف از آن‌ها تأمین
        عبور ایمن آن‌ها به زندگی پس از مرگ بود.
pipeline_tag: sentence-similarity
library_name: sentence-transformers

SentenceTransformer based on intfloat/multilingual-e5-small

This is a sentence-transformers model finetuned from intfloat/multilingual-e5-small. It maps sentences & paragraphs to a 384-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: intfloat/multilingual-e5-small
  • Maximum Sequence Length: 512 tokens
  • Output Dimensionality: 384 dimensions
  • Similarity Function: Cosine Similarity

Model Sources

Full Model Architecture 

SentenceTransformer(
  (0): Transformer({'max_seq_length': 512, 'do_lower_case': False}) with Transformer model: BertModel 
  (1): Pooling({'word_embedding_dimension': 384, '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})
  (2): Normalize()
)

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("codersan/validadted_e5smallStudent3")
# Run inference
sentences = [
    'مصریان باستان چگونه هرم\u200cها را ساختند؟',
    'هرمی\u200cها به عنوان مقبره\u200cهایی برای فراعنه ساخته شدند و هدف از آن\u200cها تأمین عبور ایمن آن\u200cها به زندگی پس از مرگ بود.',
    'مزایای بیکاری بین کشورها به طور وسیعی متفاوت است، به طوری که برخی از آنها حمایت بیشتری نسبت به دیگران ارائه می\u200cدهند.',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 384]

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

Training Details

Training Dataset

Unnamed Dataset

  • Size: 12,000 training samples
  • Columns: sentence1, sentence2, and score
  • Approximate statistics based on the first 1000 samples:
    sentence1 sentence2 score
    type string string float
    details
    • min: 6 tokens
    • mean: 14.44 tokens
    • max: 36 tokens
    • min: 11 tokens
    • mean: 28.81 tokens
    • max: 82 tokens
    • min: 0.7
    • mean: 0.84
    • max: 0.93
  • Samples:
    sentence1 sentence2 score
    آنتی‌بیوتیک‌ها چگونه در سطح سلولی عمل می‌کنند؟ آنتی‌بیوتیک‌ها می‌توانند به فرایندهای مختلف سلولی در باکتری‌ها حمله کنند، مانند سنتز دیواره سلولی، سنتز پروتئین و تکثیر DNA، تا به طور مؤثری باکتری‌ها را بکشند یا رشد آنها را متوقف کنند. 0.8817569017410278
    چگونه نهادهای اجتماعی مختلف به ثبات اجتماعی کمک می‌کنند؟ نهادهای اجتماعی همچون خانواده، آموزش و پرورش و دولت نقش حیاتی در حفظ نظم اجتماعی ایفا می‌کنند با برقراری هنجارها و ارزش‌هایی که رفتار را هدایت می‌کنند. 0.8706886768341064
    نقشۀ بوم‌شناختی چیست؟ مطالعه زیستگاه‌های بوم‌شناختی می‌تواند در تلاش‌های حفاظتی با شناسایی زیستگاه‌ها و منابع بحرانی برای گونه‌های در معرض خطر کمک کند. 0.813680112361908
  • Loss: CosineSimilarityLoss with these parameters:
    {
    "loss_fct": "torch.nn.modules.loss.MSELoss"
}

Training Hyperparameters

Non-Default Hyperparameters

  • eval_strategy: steps
  • per_device_train_batch_size: 12
  • learning_rate: 5e-06
  • weight_decay: 0.01
  • num_train_epochs: 5
  • warmup_ratio: 0.1
  • push_to_hub: True
  • hub_model_id: codersan/validadted_e5smallStudent3
  • eval_on_start: True
  • batch_sampler: no_duplicates

All Hyperparameters

Click to expand
  • overwrite_output_dir: False
  • do_predict: False
  • eval_strategy: steps
  • prediction_loss_only: True
  • per_device_train_batch_size: 12
  • per_device_eval_batch_size: 8
  • 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: 5e-06
  • weight_decay: 0.01
  • adam_beta1: 0.9
  • adam_beta2: 0.999
  • adam_epsilon: 1e-08
  • max_grad_norm: 1
  • 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: 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, '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: True
  • resume_from_checkpoint: None
  • hub_model_id: codersan/validadted_e5smallStudent3
  • hub_strategy: every_save
  • hub_private_repo: None
  • hub_always_push: False
  • gradient_checkpointing: False
  • gradient_checkpointing_kwargs: None
  • include_inputs_for_metrics: False
  • include_for_metrics: []
  • 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: True
  • use_liger_kernel: False
  • eval_use_gather_object: False
  • average_tokens_across_devices: False
  • prompts: None
  • batch_sampler: no_duplicates
  • multi_dataset_batch_sampler: proportional

Training Logs

Epoch Step Training Loss
0 0 -
0.1 100 0.0009
0.2 200 0.0004
0.3 300 0.0003
0.4 400 0.0003
0.5 500 0.0003
0.6 600 0.0003
0.7 700 0.0002
0.8 800 0.0003
0.9 900 0.0002
1.0 1000 0.0003
1.1 1100 0.0003
1.2 1200 0.0002
1.3 1300 0.0003
1.4 1400 0.0002
1.5 1500 0.0002
1.6 1600 0.0002
1.7 1700 0.0002
1.8 1800 0.0002
1.9 1900 0.0002
2.0 2000 0.0002
2.1 2100 0.0002
2.2 2200 0.0002
2.3 2300 0.0002
2.4 2400 0.0002
2.5 2500 0.0002
2.6 2600 0.0002
2.7 2700 0.0002
2.8 2800 0.0002
2.9 2900 0.0002
3.0 3000 0.0002
3.1 3100 0.0002
3.2 3200 0.0002
3.3 3300 0.0002
3.4 3400 0.0002
3.5 3500 0.0002
3.6 3600 0.0002
3.7 3700 0.0001
3.8 3800 0.0002
3.9 3900 0.0002
4.0 4000 0.0001
4.1 4100 0.0002
4.2 4200 0.0002
4.3 4300 0.0002
4.4 4400 0.0002
4.5 4500 0.0001
4.6 4600 0.0001
4.7 4700 0.0001
4.8 4800 0.0001
4.9 4900 0.0001
5.0 5000 0.0001

Framework Versions

  • Python: 3.10.12
  • Sentence Transformers: 3.3.1
  • Transformers: 4.47.0
  • PyTorch: 2.5.1+cu121
  • Accelerate: 1.2.1
  • Datasets: 3.2.0
  • Tokenizers: 0.21.0

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",
}