--- 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](https://www.SBERT.net) model finetuned from [huudan123/model_stage2](https://huggingface.co/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](https://huggingface.co/huudan123/model_stage2) - **Maximum Sequence Length:** 512 tokens - **Output Dimensionality:** 768 tokens - **Similarity Function:** Cosine Similarity ### 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': 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: ```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("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](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.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 ```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", } ```