|
--- |
|
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.* |
|
--> |
