File size: 25,909 Bytes
2b60c5d |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394 395 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417 418 419 420 421 422 423 424 425 426 427 428 429 430 431 432 433 434 435 436 437 438 439 440 441 442 443 444 445 446 447 448 449 450 451 452 453 454 455 456 457 458 459 460 461 |
---
base_model: sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2
datasets: []
language: []
library_name: sentence-transformers
pipeline_tag: sentence-similarity
tags:
- sentence-transformers
- sentence-similarity
- feature-extraction
- generated_from_trainer
- dataset_size:176856
- loss:ContrastiveLoss
widget:
- source_sentence: قاب زنجیر
sentences:
- قاب زنجیر هارلی
- جارو شارژی عصایی g6 جارو شارژی اورجینال swivel sweeper g2 جارو شارژی سوئیول سوئیپر
Swivel Sweeper G6 جارو شارژی G6 جارو شارژی جی 6 جارو شارژی Swivel Sweeper
- Bitmain Antminer T17+ 64Th ASIC Miner دستگاه ماینر بیت مین Antminer T17+ 64Th
- source_sentence: سنگ فرز
sentences:
- سنگ فرز آهنگری پوکا g1802 فرز آهنگری پوکا مدل Pukka G1802 سنگ فرز پوکا مدل G1802
فرز آهنگری 180 میلیمتری پوکا Pukka G1802 فرز آهنگری 2100 وات پوکا مدل PUKKA G1802
سنگ فرز اهنگری پوکا 1802 فرز آهنگری 2100 وات پوکا مدل Pukka G1802 فرز آهنگری کلید
بغل 2100 وات پوکا مدل G1802 فرز آهنگری کلید بقل پوکا مدل G1802 سنگفرزG1802 فرز
آهنگری 2100 وات پوکا مدل G1802 سنگ فرز آهنگری 2100 وات پوکا مدل g1802 فرز آهنگری
پوکا G1802 فرز آهنگری پوکا 2100 وات مدل G1802 Pukka G1802 Smithery Angle Grinder
فرز آهنگری پوکا 2100 وات G1802 سنگ فرز پوکا Pukka مدل G1802 فرز آهنگری پوکا مدل
G1802 سنگ فرز آهنگری پوکا مدل G1802 سنگ فرز آهنگری برقی 2100 وات پوکا مدل AG1802
فرز آهنگری مدل G1802 پوکا Pukka Angle Grinder G1802 سنگ فرز آهنگری پوکا G1802
فرزآهنگری پوکا مدل G1802
- کیف مدرسه کوله مدرسه کوله دخترانه کوله پسرانه کیف دخترانه کیف پسرانه کیف
مدرسه دخترانه کوله مدرسه دخترانه »
- توپ بسکتبال نایکی مدل Versa tack رنگ آبی سایز 7 توپ بسکتبال نایک سبز توپ بسکتبال
بتا مدلVersa tackسایز7|زرد توپ بسکتبال لاستیکی بتا سایز7 – VERSA-TACK توپ بسکتبال
نایک Nike Versa Tack Basketball Yellow توپ بسکتبال بتا مدل Versa tack سایز 7|قرمز
توپ بسکتبال نایکی رنگ خاکستری مدلVersatackسایز7 توپ بسکتبال بتا مدل Versa tack
سایز 7|آبی VERSA TACK7 Basketball Ball توپ بسکتبال بتا مدل Versa tack سایز 7|سبز
توپ بسکتبال پلاستیکی بتا مدل VERSA TACK7 توپ بسکتبال نایکی مدل Versa tack رنگ
زرد سایز 7 توپ بسکتبال لاستیکی نایک | nike مدل versa tack توپ بسکتبال نایک Nike
Versa Tack Basketball Green توپ بسکتبال نایک Nike Versa Tack Basketball Blue توپ
بسکتبال نایکی رنگ سبز مدلVersatackسایز7 توپ بسکتبال نایکی مدل VERSA TACK | اورجینال
توپ بسکتبال بتا مدل Versa tack سایز 7|خاکستری
- source_sentence: چاقو کلمبیا
sentences:
- برنج هندی gtc برنج هندی جی تی سی مقدار 10 کیلوگرم برنج GTC هندی (10کلویی) برنج
هندی GTC. اصل باسماتی 1121. ( 10 کیلوگرمی) برنج هندی باسماتی GTC مقدار 10 کیلوگرم
برنج هندی درجه یک GTC برنج هندی GTC برنج دانه بلند درجه یک هندی باسماتی با وزن
10 کیلوگرم برنج هندی gtc 10 کیلوگرم
- 'مودم روتر ADSL2 Plus بی سیم N300 تی پی-لینک مدلTD-8961N-V1 مودم تی پی لینکW8961N_V3گارانتی
پارس ارتباط مودم روتر بیسیم تی پی-لینک مدل 8961 ورژن 4 گارانتی 3ساله مودم روتر
ADSL2 Plus بیسیم N300 تی پی-لینک مدل TP-Link TD W8961N V1 مودم ADSL2 Plus تی
پی لینک مدل N300 TD-W8961N_V1 مودم روتر ADSL2 Plus مدل TD-W8961N_V4 مودم روتر
ADSL2 Plus تی پی-لینک مدل TD-W8961N_V6 مودم روتر +ADSL2 تی پی-لینک مدل TD-W8961N-V4
ورژن 4 مودم تی پی لینک مدل 8961ورژن4 اورجینال با ارسال رایگان مودم روتر +ADSL2
بیسیم N300 تی پی-لینک TD-W8961N_v4 مودم وای فای Tp-link 8961n ورژن ۴ قیمت خرید
TP-Link TD-W8961N Wireless N Modem Router مودم روتر ADSL2 Plus بیسیم N300 تی
پی-لینک مدلTD-W8961N_V4 ورژن4 مودم روتر بیسیم تی پی لینک مدل 8961 ورژن 4 مودم
روتر تی پی-لینک ADSL2 Plus بی سیم N300 مدل TD-W8961N_V1 مودم روتر ADSL2 وایرلس
تی پی- لینک مدل TD-W8961N_Ver 4.0 مودم و روتر تی پی لینک | مدل TD-W8961N ا TP-LINK
TD-W8961N ADSL2 Plus Wireless N300 Modem Router مودم W8961N ورژن 4 TP-LINK TD-W8961N_V4.0
ADSL2 Plus Wireless N300 Modem Router مودم روتر بی سیم سری TD-W8961N ADSL2 Plus
ورژن ۴ مودم 8961 tp link نسل 4 فایل فلش مودم تی پی لینک TP-Link TD-W8961N V3 Tplink
TD-w8961n مودم روتر ADSL2 Plus tp-link W8961N V1 تی پی لینک مودم روتر ADSL2 Plus
بیسیم N300 تی پی-لینک مدل TD-W8961N_V4 مودم روتر ADSL2 Plus بیسیم N300 تی پی-لینک
مدل TD-W8961N-V 4 مودم روتر ADSL بی سیم تی پی لینک مدل TD-W8961N ورژن 4 با گارانتی
مودم روتر ADSL2 Plus بیسیم تی پی-لینک مدل TD-W8961N_V1 مودم .TP-Link TD-W8961N
مودم روتر بیسیم ای دی اس ال تی پی-لینک مدل TP-LINK ADSL TD-W8961 مودم روتر
ADSL2 Plus بیسیم N300 تی پی-لینک مدل TD-W8961N V4 مودم روتر ADSL2 Plus بیسیم
N300 تی پی-لینک مدل TD-W8961N v4.0 EU مودم روتر TP-LINK TD8961N مودم تی پی لینک
مدل TD-W8961N-V4 مودم روتر ADSL تی پی لینک مدل TD-W8961n TP-LINK TD-W8961N ADSL2
Plus Wireless N300 Modem Router مودم روتر ADSL2 Plus بیسیم N300 تی پی-لینک مدل
TD-W8961N_V4.0 مودم روتر تی پلینک td w8961n ورژن 4 مودم Tp-link TD-W8961N گارانتی
3ساله TP-LINK TD-W8961N_V1 ADSL2 Plus Wireless N300 Modem Router مودم روتر ADSL2
Plus بیسیم N300 تی پی لینک مدل TD_W8961N _Ver 4.0 300Mbps TP-LINK TD_W8961N _Ver
4.0 300Mbps Wireless N ADSL2+ Modem Router مودم روتر ADSL2 تی پی-لینک TD W8961N
V4 گارانتی مودم تی پی لینک ۸۹۶۱ TD-W8961N مودم روتر +ADSL2 تی پی-لینک مودم روتر
+ADSL2 بیسیم N300 تی پی لینک مدل TD-W8961N_V1 مودم روتر +ADSL2 تی پی-لینک مدل
TD-W8961N مودم روتر ADSL2 Plus بیسیم TP-Link مدل TD-W8961N کد 7433 مودم روتر
tp-link مدل W8961N ورژن 4 رنگ سفید 2 آنتن مودم ADSL2+ تی پی-لینک مدل TD-W8961N
گارانتی 3سال مودم تی پی لینک مدل TD W8961N V1 مودم تی پی لینک 8961n مودم روتر
ADSL2 Plus بیسیم N300 تی پی لینک مدل TD-W8961N_V1 مودم دوآنتن tp-link 8961 با
3 سال گارانتی مودم روتر تی پی لینک مدل TP-LINK TD-W8961N - TD-W8961N ADSL2 Plus
Wireless N300 Modem Router مودم تی پی لینک 8961N ورژن 4 با گارانتی 12 ماهه مودم
روتر بیسیم تی پی-لینک مدل TD-W8961N مودم روتر بی سیم ADSL2 Plus مدل TD-W8961N
ورژن 4 TP-LINK TD-W8961N_V1 مودم و روتر بی سیم +ADSL2 تی پی لینک مدل TP-Link TD-W8961N
(Ver 4.0) مودم روتر ADSL تی پی لینک مدل W8961N V4 (ضمانت 3 سال پارس ارتباط) مودم
ADSL تی پی لینک مدل 8961N (گارانتی یکساله ایویز) TP-LINK TD_W8961N _Ver 4.0 300Mbps
Wireless N ADSL2+ Modem Router مودم مودم روتر ADSL2 Plus بیسیم N300 تی پی-لینک
مدل TPLink TD-W8961N_V1 در بروزکالا مودم روتر ADSL2 Plus بیسیم N300 تی پی-لینک
مدل TD-W8961N_V1 مودم روتر tp-link W8961N مودم روتر تی پی لینک مدل TD-W8961N مودم
تی پی لینک 8961 (سه سال گارانتی پارس ارتباط) مودم روتر +ADSL2 تی پی-لینک مدل TD-W8961N_V4|پارس
تک مودم روتر TP-LINK TD-W8961N V1 ADSL2 Plus Wireless N300 Modem RouterD W8961N
V1 مودم روتر ADSL 2+ تی پی لینک مدل – tp-link TD-W8961N مودم ADSL تی پی-لینک N300
مدل TD-W8961N_V1 مودم روتر ADSL2 Plus بیسیم تی پی-لینک مدل TD-W8961N_V4 مودم
روتر تی پی لینک 8961 | TP-LINK TD-W8961N ADSL2 Plus Wireless N300 Modem Router
TP-LINK TD-W8961N_V4 مودم روتر +ADSL2 تی پی لینک مدل TD-W8961N_V4 مودم روتر ADSL2
Plus بیسیم N300 تی پی لینک مدل TD W8961N V1 مودم روتر ADSL2 Plus بیسیم N300
تی پی-لینک مدل TD-W8961N_V1 شرکتی ADSL2 Plus Wireless N300 Router Modem TP-Link
Model TD-W8961N_V1 مودم روتر بیسیم تی پی لینک مدل W8961N-V4 (آخرین ورژن) مودم
روتر ADSL2 Plus بیسیم N300 تی پی-لینک مدل Modem Router TP-LINK TD-W8961N_V1 مودم
روتر ADSL2 Plus بیسیم N300 تی پی-لینک مدل TD-W8961N_V1 سه سال گارانتی TP-Link
TD-W8961N V3 Modem: TP-Link TD-W8961N مودم روتر ADSL2 Plus بیسیم N300 تی پی-لینک
مدل TP-LINK TD-W8961N_V1 TP-LINK TD-W8961N Ver 4.0 EU مودم تی پی لینک 8961 سه
سال گارانتی مودم روتر تی پی لینک مدل TP-LINK TD-W8961N – V4.0 TD-W8961N ADSL2
Plus Wireless مودم روتر ADSL2 Plus بیسیم N300 تی پی-لینک مدل TD-W8961N_V1 گارانتی
پارس ارتباط مودم روتر +ADSL2 تی پی-لینک مدل TD-W8961N_V4 مودم روتر ADSL2 Plus
بیسیم N300 تی پی-لینک مدل TD-W8961N ورژن 4.0 روتر مودم TP-Link مدل W8961N V4
مودم تی پی لینک مدل TD-W8961N ورژن 4 Modem wireless router ADSLTP-link model TD-W8961
TP-LINK TD-W8961N_V4 ADSL2 Plus Wireless N300 Modem Router مودم روتر ADSL2Plusبی
سیمN300تی پی-لینک مدلTD-W8961N_V3 قیمت ویژه مودم ADSL2 Plus بیسیم N300 تی پی-لینک
مدل TD-W8961N_V4 مودم روتر ADSL2 Plus بی سیم N300 تی پی لینک مدل 8961 ورژن4 مودم
روتر ADSL2 Plus بی سیم N300 تی پی-لینک مدل TD-W8961N_V1 TD-W8961N ADSL2+ Wireless
N300 Modem Router مودم روتر ADSL2 Plus بیسیم N300 تی پی-لینک مدل TD-W8961N_V1
- گارانتی ۳ ساله مودم روتر ADSL2 Plus بیسیم N300 تی پی لینک TP-LINK TD-W8961N
مودم روتر ADSL2 Plus بیسیم N300 تی پی-لینک مدل TD-W8961N_V1 گارانتی دارد مودم
Adsl Tplink 8961 v.4 TP-LINK TD-W8961N 300Mbps Wireless N ADSL2+ Modem Router
Ver 4.0 مودم_TP_LINK_8961 مودم روتر تی پی لینک TPLINK ADSL2 Plus بی سیم N300 مدل
TD-W8961N ورژن 4 با یک سال گارانتی شرکتی مودم TP-LINK TD-W8961N_V4 پک 10 عددی،هزینه
ارسال محاسبه شده است مودم روتر بیسیم تی پی لینک TD-W8961N ورژن4 مودم روتر تی پی
لینک TPLINK ADSL2 Plus بی سیم N300 مدل TD-W8961N ورژن 4 بدون گارانتی مودم روتر تی
پی لینک مدل TD-W8961NTP-LINK ورژن 4 ارسال رایگان مودم روتر ADSL2 Plus بیسیم
N300 تی پی لینک مدل TD-W8961N V4 مودم tplink adsl 8961 v.4 Modem TP-Link TD-8961N
| مودم روتر بی سیم ای دی اس ال تی پی لینک مودم روتر تی پی لینک مدل +TP-LINK TD_W8961N
_Ver 4.0 300Mbps Wireless N ADSL2 مودم تی پی لینک TP-LINK W8961N VER:4.0 مودم
روتر +ADSL2 بیسیم N300 تی پی لینک مدل TD-W8961N-V1 مودم روتر +ADSL2 تی پی-لینک
مدل TD-W8961N V4 مودم روتر بیسیم ADSL2 Plus تی پی-لینک مدل W8961N /سه سال گارانتی
مودم adsl 8961 ورژن 4 tp link 8961 modem مودم روتر +ADSL2 بی سیم تی پی لینک TD-W8961N
V1 مودم دو انتن TPlink 8961 مودم روتر وایرلس تی پی لینک مدل TD-W8961N مودم روتر
+ADSL۲ و بیسیم تی پی-لینک ورژن 4-مدل TD-W۸۹۶۱N مودم روتر ADSL2 Plus تی پی-لینک
TD-W8961N_V1 مودم روتر ADSL تی پی لینک مدل W8961N V4 مودم روتر ADSL2 Plus بی
سیم N300 مدل TD-W8961N مودم روتر TP-Link مدل TD-W8961N ورژن 4.0 مودم ADSL2 Plus
تی پی-لینک ورژن TD-W8961N Version 4 مودم روتر ADSL2 Plus بیسیم N300 تیپی لینک
مدل TD-W8961N_V1 مودم روتر +ADSL2 بیسیم 300Mbps تی پی لینک مدل TD-W8961N مودم
TP-LINK TD-W8961N_V4 پک 5 عددی،هزینه ارسال محاسبه شده است مودم تی پی لینک مدل
8961nوایرلس دو آنتن چهار پورت ورژن 4 مودم روتر ADSL2 Plus بیسیم N300 تی پی-لینک
مدل TD-W8961Nورژن 4 مودم ADSL TP-link TD-W8961N-V4 مودم روتر تی پی لینک مدل 8961
مودم روتر ADSL2 plus بی سیم N300 تی پی - لینک مدل TD-W8961N-V1 مودم آکبند TP-LINK
8961با 3 سال گارانتی مودم تی پی لینک تی دی دبلیو 8961 ان مودم روتر tp-link مدل
TD-W8961N TP-LINK TD-W8961N (EU) Ver 4.0 مودم روتر ADSL2 تی پی لینک (TP LINK)
مدل TD- W8961N -V4 مودم روتر تی پی لینک مدل TP-LINK TD-W8961N V4 مودم روتر ADSL2
Plus N300 تی پی لینک 8961N ورژن4 مودم TP Link TD W8961N مودم روتر ADSL2 plus
تی پی-لینک مدل TD-W8961NV4 مودم روتر تی پی لینک مدل TD-W8961N_V1 مودم تی پی-لینک
TD W8961N V1'
- چاقو سفری کلمبیا
- source_sentence: مت یوگا
sentences:
- ونس دخترانه ونس زنانه کتوني طبي کتوني زنانه کتاني کفش زنانه کفش اسپرت کفش
طبي اسپرت بندي ونس بندي ونس ... ونس دخترانه ونس زنانه کتونی طبی کتونی زنانه کتانی
کفش زنانه کفش اسپرت کفش طبی اسپرت بندی ونس بندی ونس اسپرت
- زیرانداز یوگا شش میل ، مت ورزشی شیش میل ، مت یوگا ضخامت 6 میلی متر سبز Six-mile
yoga mat, six-mile sports mat زیرانداز یوگا شش میل ، مت ورزشی شیش میل ، مت یوگا
ضخامت 6 میلی متر مشکی زیرانداز یوگا شش میل ، مت ورزشی شیش میل ، مت یوگا ضخامت
6 میلی متر بنفش زیرانداز یوگا شش میل ، مت ورزشی شیش میل ، مت یوگا ضخامت 6 میلی
متر زیرانداز یوگا شش میل ، مت ورزشی شیش میل ، مت یوگا ضخامت 6 میلی متر زرشکی زیرانداز
یوگا شش میل ، مت ورزشی شیش میل ، مت یوگا ضخامت 6 میلی متر آبی
- شکر پاش پاشاباغچه 80078 شکرپاش پاشاباغچه کد 80078 Pasabahce 80078 Sugar Shaker
شکرپاش پاشاباغچه
- source_sentence: سپر جلو 405
sentences:
- مانع پرش 40 سانتی مانع تمرین پرش مدل S217
- سرویس قاشق و چنگال ۲۴ پارچه ایکیا سرویس قاشق چنگال IKEA مدل FORNUFT سرویس قاشق
چنگال 6 نفره FORNUFT ایکیا سرویس قاشق و چنگال ایکیا FORNUFT سرویس قاشق و چنگال
ایکیا 24 پارچه مدل FORNUFT سرویس قاشق چنگال و کارد 24 پارچه ایکیا FORNUFT
- سپر جلو 405
---
# SentenceTransformer based on sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2
This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2](https://huggingface.co/sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2). 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:** [sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2](https://huggingface.co/sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2) <!-- at revision bf3bf13ab40c3157080a7ab344c831b9ad18b5eb -->
- **Maximum Sequence Length:** 128 tokens
- **Output Dimensionality:** 384 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': 128, '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})
)
```
## 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("DashReza7/sentence-transformers_paraphrase-multilingual-MiniLM-L12-v2_FINETUNED_on_torob_data")
# Run inference
sentences = [
'سپر جلو 405',
'سپر جلو 405',
'سرویس قاشق و چنگال ۲۴ پارچه ایکیا سرویس قاشق چنگال IKEA مدل FORNUFT سرویس قاشق چنگال 6 نفره FORNUFT ایکیا سرویس قاشق و چنگال ایکیا FORNUFT سرویس قاشق و چنگال ایکیا 24 پارچه مدل FORNUFT سرویس قاشق چنگال و کارد 24 پارچه ایکیا FORNUFT',
]
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]
```
<!--
### 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.*
-->
<!--
## 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
- `per_device_train_batch_size`: 64
- `per_device_eval_batch_size`: 64
- `learning_rate`: 2e-05
- `num_train_epochs`: 1
- `warmup_ratio`: 0.1
- `fp16`: True
#### All Hyperparameters
<details><summary>Click to expand</summary>
- `overwrite_output_dir`: False
- `do_predict`: False
- `eval_strategy`: no
- `prediction_loss_only`: True
- `per_device_train_batch_size`: 64
- `per_device_eval_batch_size`: 64
- `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`: 1
- `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`: 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`: 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
- `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
</details>
### Training Logs
| Epoch | Step | Training Loss |
|:------:|:----:|:-------------:|
| 0.1809 | 500 | 0.0271 |
| 0.3618 | 1000 | 0.0172 |
| 0.5427 | 1500 | 0.0152 |
| 0.7236 | 2000 | 0.0141 |
| 0.9045 | 2500 | 0.0133 |
### Framework Versions
- Python: 3.10.12
- Sentence Transformers: 3.0.1
- Transformers: 4.42.4
- PyTorch: 2.4.0+cu121
- Accelerate: 0.32.1
- Datasets: 2.21.0
- 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",
}
```
#### 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}
}
```
<!--
## 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.*
--> |