sentence-transformers How to use TribalChiefBanana/Embedding_miniV2_upgrade with sentence-transformers:
from sentence_transformers import SentenceTransformer
model = SentenceTransformer("TribalChiefBanana/Embedding_miniV2_upgrade")
sentences = [
"Học gì trong khóa Deployment Strategy: Serving the SPA from Spring Boot? phù hợp cho sinh viên năm nhất",
"Deployment Strategy: Serving the SPA from Spring Boot | Explains the unified deployment approach: configuring Spring Boot to **serve the static SPA build files** (HTML, CSS, JS) from its resources folder, simplifying hosting and configuration. | Giải thích cách tiếp cận triển khai thống nhất: cấu hình Spring Boot để **phục vụ các tệp tĩnh của SPA** (HTML, CSS, JS) từ thư mục tài nguyên của nó, đơn giản hóa việc hosting và cấu hình. | Deployment, Triển khai, Static Files, Serving SPA, Spring Boot Deployment, Hosting, Unified Deployment",
"DOE: Introduction to AI for Science | Provides a clear introduction to how AI accelerates scientific discovery, including basic concepts of machine learning, data-driven scientific workflows, and examples from physics, chemistry, and biology. | Cung cấp giới thiệu rõ ràng về cách AI thúc đẩy khám phá khoa học, bao gồm khái niệm ML cơ bản, quy trình khoa học dựa trên dữ liệu và ví dụ từ vật lý, hóa học, sinh học. | AI for Science, Scientific Discovery, Machine Learning Basics, Data-Driven Research, Scientific Workflows",
"Deploying Machine Learning Models in Production - Udemy | Focuses specifically on the final stage of the ML lifecycle: deploying models into a live environment. The course explores various deployment patterns, from simple APIs to scalable serving infrastructure. | Tập trung vào giai đoạn cuối của vòng đời ML: triển khai mô hình vào môi trường thực tế. Khóa học trình bày nhiều mô hình triển khai khác nhau, từ API đơn giản đến hạ tầng phục vụ mô hình có khả năng mở rộng. | Deployment, Model Serving, Production Environment, Scalability, Cloud Deployment, Containerization"
]
embeddings = model.encode(sentences)
similarities = model.similarity(embeddings, embeddings)
print(similarities.shape)
# [4, 4] 
