metadata

base_model: huudan123/model_stage2
datasets: []
language: []
library_name: sentence-transformers
metrics:
  - pearson_cosine
  - spearman_cosine
  - pearson_manhattan
  - spearman_manhattan
  - pearson_euclidean
  - spearman_euclidean
  - pearson_dot
  - spearman_dot
  - pearson_max
  - spearman_max
pipeline_tag: sentence-similarity
tags:
  - sentence-transformers
  - sentence-similarity
  - feature-extraction
  - generated_from_trainer
  - dataset_size:5749
  - loss:CosineSimilarityLoss
widget:
  - source_sentence: trắng và nâu đang chạy nhanh qua đám cỏ.
    sentences:
      - Một chiếc máy bay trên bầu trời.
      - trắng lớn đang chạy trên cỏ.
      - Hai con đại bàng đang đậu trên cành cây.
  - source_sentence: >-
      Chúng tôi đang di chuyển \"... liên quan đến khung nghỉ vũ trụ comoving
      ... với tốc độ khoảng 371 km/s về phía chòm sao Sư Tử\".
    sentences:
      - Một bức ảnh đen trắng của một người đàn ông đứng cạnh xe buýt.
      - Một vận động viên quần vợt ở giữa trận đấu.
      - Không có 'tĩnh' không liên quan đến một số đối tượng khác.
  - source_sentence: Một người đàn ông đang trượt băng xuống cầu thang.
    sentences:
      - >-
        Tôi đồng ý với những người khác rằng theo dõi thời gian của bạn là cơ
        bản cho giải pháp.
      - Người đàn ông đang trượt tuyết xuống một ngọn đồi tuyết.
      - Một đứa bé đang cười.
  - source_sentence: >-
      Theo trang web này, cường độ khả kiến cực đại sẽ vào khoảng 10,5 vào
      khoảng ngày 2/2.
    sentences:
      - Trẻ em nhìn một con cừu.
      - >-
        Dữ liệu AAVSO dường như chỉ ra rằng nó có thể đã đạt đỉnh, vào khoảng
        10,5 (trực quan).
      - Chim đen đứng trên bê tông.
  - source_sentence: Tôi có thể nghĩ ra ba yếu tố chính là những phỏng đoán khá logic.
    sentences:
      - Những ở một mình trong rừng.
      - Cô gái đang đứng trước cánh cửa mở của xe buýt.
      - >-
        Đã có khá nhiều nghiên cứu trong bóng đá / bóng đá thảo luận về lợi thế
        sân nhà.
model-index:
  - name: SentenceTransformer based on huudan123/model_stage2
    results:
      - task:
          type: semantic-similarity
          name: Semantic Similarity
        dataset:
          name: sts evaluator
          type: sts-evaluator
        metrics:
          - type: pearson_cosine
            value: 0.8441503922725311
            name: Pearson Cosine
          - type: spearman_cosine
            value: 0.8421281238969126
            name: Spearman Cosine
          - type: pearson_manhattan
            value: 0.8279892522911001
            name: Pearson Manhattan
          - type: spearman_manhattan
            value: 0.8330983818487536
            name: Spearman Manhattan
          - type: pearson_euclidean
            value: 0.828894636417398
            name: Pearson Euclidean
          - type: spearman_euclidean
            value: 0.8343292047884723
            name: Spearman Euclidean
          - type: pearson_dot
            value: 0.8275373666846605
            name: Pearson Dot
          - type: spearman_dot
            value: 0.8264754887785616
            name: Spearman Dot
          - type: pearson_max
            value: 0.8441503922725311
            name: Pearson Max
          - type: spearman_max
            value: 0.8421281238969126
            name: Spearman Max

SentenceTransformer based on huudan123/model_stage2

This is a sentence-transformers model finetuned from huudan123/model_stage2. 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: huudan123/model_stage2
Maximum Sequence Length: 512 tokens
Output Dimensionality: 768 tokens
Similarity Function: Cosine Similarity

Model Sources

Documentation: Sentence Transformers Documentation
Repository: Sentence Transformers on GitHub
Hugging Face: Sentence Transformers on Hugging Face

Full Model Architecture

SentenceTransformer(
  (0): Transformer({'max_seq_length': 512, '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:

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("huudan123/model_stage3_2_loss")
# Run inference
sentences = [
    'Tôi có thể nghĩ ra ba yếu tố chính là những phỏng đoán khá logic.',
    'Đã có khá nhiều nghiên cứu trong bóng đá / bóng đá thảo luận về lợi thế sân nhà.',
    'Cô gái đang đứng trước cánh cửa mở của xe buýt.',
]
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]

Evaluation

Metrics

Semantic Similarity

Dataset: sts-evaluator
Evaluated with EmbeddingSimilarityEvaluator

Metric	Value
pearson_cosine	0.8442
spearman_cosine	0.8421
pearson_manhattan	0.828
spearman_manhattan	0.8331
pearson_euclidean	0.8289
spearman_euclidean	0.8343
pearson_dot	0.8275
spearman_dot	0.8265
pearson_max	0.8442
spearman_max	0.8421

Training Details

Training Hyperparameters

Non-Default Hyperparameters

overwrite_output_dir: True
eval_strategy: epoch
per_device_train_batch_size: 128
per_device_eval_batch_size: 128
learning_rate: 2e-05
num_train_epochs: 30
warmup_ratio: 0.1
fp16: True
load_best_model_at_end: True
gradient_checkpointing: True

All Hyperparameters

Click to expand

overwrite_output_dir: True
do_predict: False
eval_strategy: epoch
prediction_loss_only: True
per_device_train_batch_size: 128
per_device_eval_batch_size: 128
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: 30
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: True
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: True
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

Training Logs

Epoch	Step	loss	sts-evaluator_spearman_max
0	0	-	0.6240
1.0	45	0.042	0.7695
2.0	90	0.0360	0.8062
3.0	135	0.0303	0.8343
4.0	180	0.0299	0.8375
5.0	225	0.0287	0.8421

The bold row denotes the saved checkpoint.

Framework Versions

Python: 3.10.12
Sentence Transformers: 3.0.1
Transformers: 4.42.4
PyTorch: 2.3.1+cu121
Accelerate: 0.33.0
Datasets: 2.20.0
Tokenizers: 0.19.1

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",
}