File size: 29,026 Bytes
2af9d99 |
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 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394 395 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417 418 419 420 421 422 423 424 425 426 427 428 429 430 431 432 433 434 435 436 437 438 439 440 441 442 443 444 445 446 447 448 449 450 451 452 453 454 455 456 457 458 459 460 461 462 463 464 465 466 467 468 469 470 471 472 473 474 475 476 477 478 479 480 481 482 483 484 485 486 487 488 489 490 491 492 493 494 495 496 497 498 499 500 501 502 503 504 505 506 507 508 509 510 511 512 513 514 515 516 517 518 519 520 521 522 523 524 525 526 527 528 529 530 531 532 533 534 535 536 537 538 539 540 541 542 543 544 545 546 547 548 549 550 551 552 553 554 555 556 557 558 559 560 561 562 563 564 565 566 567 |
---
base_model: vinai/phobert-base-v2
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:102178
- loss:TripletLoss
widget:
- source_sentence: Bàn cho thấy các thiết_kế và sản_xuất kiến_thức cần_thiết để thực_hiện
nhiều quyết_định thông_báo hơn .
sentences:
- Nixon quyết_định rằng hồ chí minh có_thể ở lại miền nam Việt_Nam .
- Không có gì cần_thiết để đưa ra một quyết_định thông_tin .
- Bảng Hiển_thị thiết_kế và sản_xuất thông_tin cần_thiết để đưa ra quyết_định .
- source_sentence: 95 gói nước_tiểu miễn_phí trong túi của họ .
sentences:
- Tây_ban nha trượt từ vị_trí quyền_lực của họ .
- Đội đã bước vào phòng thí_nghiệm mang theo tổng_cộng 99 đơn_vị trong_sạch , thử_nghiệm
thân_thiện .
- Túi được yêu_cầu cho nhà toàn_bộ 95 đơn_vị phục_vụ trong_sạch nước_tiểu giữa các
nhà cung_cấp các sản_phẩm .
- source_sentence: Tuyển một chiếc xe rất đắt tiền , và những gì có để xem_thường
là gần những con đường chính .
sentences:
- Thuê một chiếc xe rất rẻ nhưng có_thể không đáng_giá_như những cảnh_sát ở xa con
đường .
- Có một nhà_thờ hình_tròn ở orangerie ở Paris .
- Thuê một chiếc xe đến với chi_phí lớn và hầu_hết các điểm đến đều gần đường .
- source_sentence: Người da đen là 12 phần_trăm dân_số .
sentences:
- Người da đen tạo ra 50 % tổng_số dân_số .
- Người Mỹ Châu_Phi là một nhóm_thiểu_số .
- Tôi đoán là barney fife .
- source_sentence: Báo đen đã editorialized chống lại những cuộc viếng_thăm của farrakhan
với các nhà độc_tài châu phi .
sentences:
- Báo đen đã viết về quá_khứ của farrakhan .
- Khi bạn đi đến radda , bạn nên kiểm_tra piccolo bảo del chianti .
- Báo đen từ_chối yểm_trợ cho farrakhan .
model-index:
- name: SentenceTransformer based on vinai/phobert-base-v2
results:
- task:
type: semantic-similarity
name: Semantic Similarity
dataset:
name: sts dev
type: sts-dev
metrics:
- type: pearson_cosine
value: 0.42030854811305457
name: Pearson Cosine
- type: spearman_cosine
value: 0.5147968030818376
name: Spearman Cosine
- type: pearson_manhattan
value: 0.5605026901702432
name: Pearson Manhattan
- type: spearman_manhattan
value: 0.5792048311109484
name: Spearman Manhattan
- type: pearson_euclidean
value: 0.4710386131519505
name: Pearson Euclidean
- type: spearman_euclidean
value: 0.5087153254455983
name: Spearman Euclidean
- type: pearson_dot
value: 0.3923969498466928
name: Pearson Dot
- type: spearman_dot
value: 0.4338097270757405
name: Spearman Dot
- type: pearson_max
value: 0.5605026901702432
name: Pearson Max
- type: spearman_max
value: 0.5792048311109484
name: Spearman Max
---
# SentenceTransformer based on vinai/phobert-base-v2
This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [vinai/phobert-base-v2](https://huggingface.co/vinai/phobert-base-v2). 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:** [vinai/phobert-base-v2](https://huggingface.co/vinai/phobert-base-v2) <!-- at revision 2b51e367d92093c9688112098510e6a58bab67cd -->
- **Maximum Sequence Length:** 512 tokens
- **Output Dimensionality:** 768 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': 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/stage1")
# Run inference
sentences = [
'Báo đen đã editorialized chống lại những cuộc viếng_thăm của farrakhan với các nhà độc_tài châu phi .',
'Báo đen đã viết về quá_khứ của farrakhan .',
'Báo đen từ_chối yểm_trợ cho farrakhan .',
]
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]
```
<!--
### 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.*
-->
## Evaluation
### Metrics
#### Semantic Similarity
* Dataset: `sts-dev`
* Evaluated with [<code>EmbeddingSimilarityEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.EmbeddingSimilarityEvaluator)
| Metric | Value |
|:--------------------|:-----------|
| pearson_cosine | 0.4203 |
| **spearman_cosine** | **0.5148** |
| pearson_manhattan | 0.5605 |
| spearman_manhattan | 0.5792 |
| pearson_euclidean | 0.471 |
| spearman_euclidean | 0.5087 |
| pearson_dot | 0.3924 |
| spearman_dot | 0.4338 |
| pearson_max | 0.5605 |
| spearman_max | 0.5792 |
<!--
## 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 Dataset
#### Unnamed Dataset
* Size: 102,178 training samples
* Columns: <code>anchor</code>, <code>positive</code>, and <code>negative</code>
* Approximate statistics based on the first 1000 samples:
| | anchor | positive | negative |
|:--------|:-----------------------------------------------------------------------------------|:----------------------------------------------------------------------------------|:----------------------------------------------------------------------------------|
| type | string | string | string |
| details | <ul><li>min: 4 tokens</li><li>mean: 27.28 tokens</li><li>max: 147 tokens</li></ul> | <ul><li>min: 4 tokens</li><li>mean: 14.99 tokens</li><li>max: 44 tokens</li></ul> | <ul><li>min: 4 tokens</li><li>mean: 14.34 tokens</li><li>max: 34 tokens</li></ul> |
* Samples:
| anchor | positive | negative |
|:--------------------------------------------------------------------------------------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:----------------------------------------------------------------------------------------------------------------------------------------------------------|
| <code>Tem đầy màu_sắc của madeira , cũng như tiền xu , ghi_chép ngân_hàng , và các mặt_hàng khác như bưu_thiếp là mối quan_tâm đến nhiều nhà sưu_tập .</code> | <code>Các nhà sưu_tập sẽ thích ghé thăm madeira bởi_vì những phân_chia lớn của tem , ghi_chép ngân_hàng , bưu_thiếp , và nhiều mặt_hàng khác họ có_thể đọc được .</code> | <code>Mọi người quan_tâm đến việc bắt_đầu bộ sưu_tập mới nên thoát madeira và đi du_lịch phía bắc , nơi họ có khả_năng tìm thấy các cửa_hàng tốt .</code> |
| <code>Cẩn_thận đấy , ông inglethorp . Poirot bị bồn_chồn .</code> | <code>Hãy chăm_sóc ông inglethorp .</code> | <code>Không cần phải cẩn_thận với anh ta .</code> |
| <code>Phải có một_chút hoài_nghi về trải nghiệm cá_nhân của sperling với trò_chơi .</code> | <code>Hãy suy_nghĩ về những tác_động khi nhìn vào kinh_nghiệm của anh ấy .</code> | <code>Một người có_thể lấy trải nghiệm cá_nhân của sperling với giá_trị mặt .</code> |
* Loss: [<code>TripletLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#tripletloss) with these parameters:
```json
{
"distance_metric": "TripletDistanceMetric.EUCLIDEAN",
"triplet_margin": 5
}
```
### Evaluation Dataset
#### Unnamed Dataset
* Size: 12,772 evaluation samples
* Columns: <code>anchor</code>, <code>positive</code>, and <code>negative</code>
* Approximate statistics based on the first 1000 samples:
| | anchor | positive | negative |
|:--------|:-----------------------------------------------------------------------------------|:----------------------------------------------------------------------------------|:---------------------------------------------------------------------------------|
| type | string | string | string |
| details | <ul><li>min: 4 tokens</li><li>mean: 27.81 tokens</li><li>max: 164 tokens</li></ul> | <ul><li>min: 3 tokens</li><li>mean: 14.94 tokens</li><li>max: 42 tokens</li></ul> | <ul><li>min: 4 tokens</li><li>mean: 14.4 tokens</li><li>max: 39 tokens</li></ul> |
* Samples:
| anchor | positive | negative |
|:----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:---------------------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------------------------------------------------|
| <code>Tình_yêu , anh có muốn em trở_thành kassandra lubbock của anh không ?</code> | <code>Tôi có_thể là kassandra lubbock của anh .</code> | <code>Tôi từ_chối trở_thành kassandra lubbock của anh .</code> |
| <code>Ví_dụ , trong mùa thu năm 1997 , ủy ban điều_trị hạt_nhân ( nrc ) văn_phòng thanh_tra tướng liệu nrc để có được quan_điểm của họ trên văn_hóa an_toàn của đại_lý .</code> | <code>Nhân_viên nrc đã được hỏi về quan_điểm của họ trên văn_hóa an_toàn của đại_lý .</code> | <code>Các nhân_viên không bao_giờ quan_sát về quan_điểm của họ về văn_hóa an_toàn của đại_lý trong mùa thu năm 1997 .</code> |
| <code>Mỗi năm kem của trẻ nghệ và comedic tài_năng làm cho nó đường đến edinburgh , và fringe đã lớn lên trong việc huấn_luyện lớn nhất trong khung_cảnh lớn nhất cho các diễn_viên phát_triển trên thế_giới .</code> | <code>Tài_năng mới đến edinburgh .</code> | <code>Tài_năng mới đến dublin .</code> |
* Loss: [<code>TripletLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#tripletloss) with these parameters:
```json
{
"distance_metric": "TripletDistanceMetric.EUCLIDEAN",
"triplet_margin": 5
}
```
### Training Hyperparameters
#### Non-Default Hyperparameters
- `overwrite_output_dir`: True
- `eval_strategy`: epoch
- `per_device_train_batch_size`: 128
- `per_device_eval_batch_size`: 128
- `num_train_epochs`: 20
- `lr_scheduler_type`: cosine
- `warmup_ratio`: 0.05
- `fp16`: True
- `load_best_model_at_end`: True
- `gradient_checkpointing`: True
#### All Hyperparameters
<details><summary>Click to expand</summary>
- `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`: 5e-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`: 20
- `max_steps`: -1
- `lr_scheduler_type`: cosine
- `lr_scheduler_kwargs`: {}
- `warmup_ratio`: 0.05
- `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
</details>
### Training Logs
<details><summary>Click to expand</summary>
| Epoch | Step | Training Loss | loss | sts-dev_spearman_cosine |
|:-------:|:--------:|:-------------:|:----------:|:-----------------------:|
| 0 | 0 | - | - | 0.6643 |
| 0.0626 | 50 | 4.6946 | - | - |
| 0.1252 | 100 | 4.031 | - | - |
| 0.1877 | 150 | 2.7654 | - | - |
| 0.2503 | 200 | 2.4176 | - | - |
| 0.3129 | 250 | 2.1111 | - | - |
| 0.3755 | 300 | 2.0263 | - | - |
| 0.4380 | 350 | 1.9296 | - | - |
| 0.5006 | 400 | 1.7793 | - | - |
| 0.5632 | 450 | 1.7903 | - | - |
| 0.6258 | 500 | 1.7638 | - | - |
| 0.6884 | 550 | 1.7042 | - | - |
| 0.7509 | 600 | 1.7038 | - | - |
| 0.8135 | 650 | 1.6221 | - | - |
| 0.8761 | 700 | 1.6172 | - | - |
| 0.9387 | 750 | 1.6227 | - | - |
| 1.0 | 799 | - | 1.5275 | 0.5219 |
| 1.0013 | 800 | 1.6264 | - | - |
| 1.0638 | 850 | 1.364 | - | - |
| 1.1264 | 900 | 1.4447 | - | - |
| 1.1890 | 950 | 1.4161 | - | - |
| 1.2516 | 1000 | 1.3575 | - | - |
| 1.3141 | 1050 | 1.3554 | - | - |
| 1.3767 | 1100 | 1.378 | - | - |
| 1.4393 | 1150 | 1.3806 | - | - |
| 1.5019 | 1200 | 1.3089 | - | - |
| 1.5645 | 1250 | 1.4314 | - | - |
| 1.6270 | 1300 | 1.3672 | - | - |
| 1.6896 | 1350 | 1.3777 | - | - |
| 1.7522 | 1400 | 1.3282 | - | - |
| 1.8148 | 1450 | 1.3432 | - | - |
| 1.8773 | 1500 | 1.3101 | - | - |
| 1.9399 | 1550 | 1.2919 | - | - |
| 2.0 | 1598 | - | 1.3643 | 0.5667 |
| 2.0025 | 1600 | 1.2969 | - | - |
| 2.0651 | 1650 | 0.9629 | - | - |
| 2.1277 | 1700 | 0.9878 | - | - |
| 2.1902 | 1750 | 0.9437 | - | - |
| 2.2528 | 1800 | 0.9832 | - | - |
| 2.3154 | 1850 | 0.9584 | - | - |
| 2.3780 | 1900 | 1.0689 | - | - |
| 2.4406 | 1950 | 1.0579 | - | - |
| 2.5031 | 2000 | 0.9888 | - | - |
| 2.5657 | 2050 | 0.9452 | - | - |
| 2.6283 | 2100 | 0.9378 | - | - |
| 2.6909 | 2150 | 0.9553 | - | - |
| 2.7534 | 2200 | 0.9337 | - | - |
| 2.8160 | 2250 | 1.0184 | - | - |
| 2.8786 | 2300 | 0.9663 | - | - |
| 2.9412 | 2350 | 0.9686 | - | - |
| 3.0 | 2397 | - | 1.3488 | 0.5442 |
| 3.0038 | 2400 | 0.9618 | - | - |
| 3.0663 | 2450 | 0.6878 | - | - |
| 3.1289 | 2500 | 0.6883 | - | - |
| 3.1915 | 2550 | 0.6498 | - | - |
| 3.2541 | 2600 | 0.6651 | - | - |
| 3.3166 | 2650 | 0.6554 | - | - |
| 3.3792 | 2700 | 0.7033 | - | - |
| 3.4418 | 2750 | 0.6416 | - | - |
| 3.5044 | 2800 | 0.7068 | - | - |
| 3.5670 | 2850 | 0.6834 | - | - |
| 3.6295 | 2900 | 0.7099 | - | - |
| 3.6921 | 2950 | 0.7306 | - | - |
| 3.7547 | 3000 | 0.7105 | - | - |
| 3.8173 | 3050 | 0.7072 | - | - |
| 3.8798 | 3100 | 0.7248 | - | - |
| 3.9424 | 3150 | 0.7216 | - | - |
| **4.0** | **3196** | **-** | **1.3358** | **0.5307** |
| 4.0050 | 3200 | 0.693 | - | - |
| 4.0676 | 3250 | 0.4741 | - | - |
| 4.1302 | 3300 | 0.4593 | - | - |
| 4.1927 | 3350 | 0.449 | - | - |
| 4.2553 | 3400 | 0.4326 | - | - |
| 4.3179 | 3450 | 0.4488 | - | - |
| 4.3805 | 3500 | 0.4762 | - | - |
| 4.4431 | 3550 | 0.4723 | - | - |
| 4.5056 | 3600 | 0.4713 | - | - |
| 4.5682 | 3650 | 0.4612 | - | - |
| 4.6308 | 3700 | 0.4537 | - | - |
| 4.6934 | 3750 | 0.4928 | - | - |
| 4.7559 | 3800 | 0.4568 | - | - |
| 4.8185 | 3850 | 0.4771 | - | - |
| 4.8811 | 3900 | 0.4688 | - | - |
| 4.9437 | 3950 | 0.4549 | - | - |
| 5.0 | 3995 | - | 1.4027 | 0.5360 |
| 5.0063 | 4000 | 0.5048 | - | - |
| 5.0688 | 4050 | 0.2822 | - | - |
| 5.1314 | 4100 | 0.3069 | - | - |
| 5.1940 | 4150 | 0.2971 | - | - |
| 5.2566 | 4200 | 0.3191 | - | - |
| 5.3191 | 4250 | 0.3023 | - | - |
| 5.3817 | 4300 | 0.3224 | - | - |
| 5.4443 | 4350 | 0.3114 | - | - |
| 5.5069 | 4400 | 0.3098 | - | - |
| 5.5695 | 4450 | 0.3071 | - | - |
| 5.6320 | 4500 | 0.3478 | - | - |
| 5.6946 | 4550 | 0.3288 | - | - |
| 5.7572 | 4600 | 0.3373 | - | - |
| 5.8198 | 4650 | 0.3577 | - | - |
| 5.8824 | 4700 | 0.331 | - | - |
| 5.9449 | 4750 | 0.3132 | - | - |
| 6.0 | 4794 | - | 1.4036 | 0.5148 |
* The bold row denotes the saved checkpoint.
</details>
### Framework Versions
- Python: 3.10.12
- Sentence Transformers: 3.0.1
- Transformers: 4.42.4
- PyTorch: 2.3.1+cu121
- Accelerate: 0.32.1
- 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",
}
```
#### TripletLoss
```bibtex
@misc{hermans2017defense,
title={In Defense of the Triplet Loss for Person Re-Identification},
author={Alexander Hermans and Lucas Beyer and Bastian Leibe},
year={2017},
eprint={1703.07737},
archivePrefix={arXiv},
primaryClass={cs.CV}
}
```
<!--
## 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.*
--> |