jeffreylimnardy/sensor-e5-finetuned

SentenceTransformer based on intfloat/multilingual-e5-small

This is a sentence-transformers model finetuned from intfloat/multilingual-e5-small. 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: intfloat/multilingual-e5-small
• Maximum Sequence Length: 512 tokens
• Output Dimensionality: 384 dimensions
• 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, 'architecture': '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})
  (2): Normalize()
)

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("jeffreylimnardy/sensor-e5-finetuned")
# Run inference
sentences = [
    "passage: name: GWM Spechtstraße, description: Grundwasserpegelmessung (Standort: Spechtstraße), datastream: [{'name': 'Wasserpegel an der GWM Spechtstraße', 'description': 'Der Grundwasserpegel bezogen auf NN: Abstand zwischen Meereshöhe und Wasseroberfläche'}, {'name': '(Wasser-)Temperatur an Sonde der GWM Spechtstraße', 'description': 'Die Temperatur an der Sonde (im Wasser)'}, {'name': 'Atmosphärischer Druck an der GWM Spechtstraße', 'description': 'Der Atmosphärische Druck an der Sendeeinheit (über dem Wasser)'}, {'name': 'Umgebungstemperatur an der GWM Spechtstraße', 'description': 'Die Umgebungstemperatur, gemessen an der Sendeeinheit (über dem Wasser)'}, {'name': 'Differenzdruck an der GWM Spechtstraße', 'description': 'Die Differenz zwischen dem Druck an der Sonde (im Wasser) und dem atmosphärischen Druck an der Sendeeinheit'}]",
    "passage: name: GWM Wittenfelde Mühlendamm, description: Grundwasserpegelmessung (Standort: Wittenfelde Mühlendamm, datastream: [{'name': 'Wasserpegel an der GWM Wittenfelde Mühlendamm', 'description': 'Der Grundwasserpegel bezogen auf NN: Abstand zwischen Meereshöhe und Wasseroberfläche'}, {'name': '(Wasser-)Temperatur an Sonde der GWM Wittenfelde Mühlendamm', 'description': 'Die Temperatur an der Sonde (im Wasser)'}, {'name': 'Atmosphärischer Druck an der GWM Wittenfelde Mühlendamm', 'description': 'Der Atmosphärische Druck an der Sendeeinheit (über dem Wasser)'}, {'name': 'Umgebungstemperatur an der GWM Wittenfelde Mühlendamm', 'description': 'Die Umgebungstemperatur, gemessen an der Sendeeinheit (über dem Wasser)'}, {'name': 'Differenzdruck an der GWM Wittenfelde Mühlendamm', 'description': 'Die Differenz zwischen dem Druck an der Sonde (im Wasser) und dem atmosphärischen Druck an der Sendeeinheit'}]",
    "passage: name: Parkplatz für Menschen mit Behinderung Alte Münze - 02, description: Parkplatz (Standort: Alte Münze - 02); vor Hausnummer 10, datastream: [{'name': 'Belegtstatus an dem Parkplatz Alte Münze - 02', 'description': 'Belegtstatus'}, {'name': 'Temperatur an dem Parkplatz Alte Münze - 02', 'description': 'Temperatur an dem Parksensor'}]",
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 384]

# Get the similarity scores for the embeddings
similarities = model.similarity(embeddings, embeddings)
print(similarities)
# tensor([[1.0000, 0.9743, 0.3447],
#         [0.9743, 1.0000, 0.3384],
#         [0.3447, 0.3384, 1.0000]])

Evaluation

Metrics

Triplet

• Dataset: sensor-eval
• Evaluated with TripletEvaluator

Metric	Value
cosine_accuracy	1.0

Training Details

Training Dataset

Unnamed Dataset

• Size: 255 training samples
• Columns: anchor and positive
• Approximate statistics based on the first 255 samples:

  	anchor	positive
  type	string	string
  details	min: 84 tokens mean: 186.89 tokens max: 319 tokens	min: 84 tokens mean: 186.13 tokens max: 319 tokens

• Samples:

  anchor	positive
  passage: name: GWM Wittenfelde, description: Grundwasserpegelmessung (Standort: Wittenfelde), datastream: [{'name': 'Wasserpegel an der GWM Wittenfelde', 'description': 'Der Grundwasserpegel bezogen auf NN: Abstand zwischen Meereshöhe und Wasseroberfläche'}, {'name': '(Wasser-)Temperatur an Sonde der GWM Wittenfelde', 'description': 'Die Temperatur an der Sonde (im Wasser)'}, {'name': 'Atmosphärischer Druck an der GWM Wittenfelde', 'description': 'Der Atmosphärische Druck an der Sendeeinheit (über dem Wasser)'}, {'name': 'Umgebungstemperatur an der GWM Wittenfelde', 'description': 'Die Umgebungstemperatur, gemessen an der Sendeeinheit (über dem Wasser)'}, {'name': 'Differenzdruck an der GWM Wittenfelde', 'description': 'Die Differenz zwischen dem Druck an der Sonde (im Wasser) und dem atmosphärischen Druck an der Sendeeinheit'}]	passage: name: GWM Spechtstraße, description: Grundwasserpegelmessung (Standort: Spechtstraße), datastream: [{'name': 'Wasserpegel an der GWM Spechtstraße', 'description': 'Der Grundwasserpegel bezogen auf NN: Abstand zwischen Meereshöhe und Wasseroberfläche'}, {'name': '(Wasser-)Temperatur an Sonde der GWM Spechtstraße', 'description': 'Die Temperatur an der Sonde (im Wasser)'}, {'name': 'Atmosphärischer Druck an der GWM Spechtstraße', 'description': 'Der Atmosphärische Druck an der Sendeeinheit (über dem Wasser)'}, {'name': 'Umgebungstemperatur an der GWM Spechtstraße', 'description': 'Die Umgebungstemperatur, gemessen an der Sendeeinheit (über dem Wasser)'}, {'name': 'Differenzdruck an der GWM Spechtstraße', 'description': 'Die Differenz zwischen dem Druck an der Sonde (im Wasser) und dem atmosphärischen Druck an der Sendeeinheit'}]
  passage: name: Parkplatz für Menschen mit Behinderung Möserstrasse Hs 4 - 02, description: Parkplatz (Standort: Möserstrasse Hs 4 - 02), datastream: [{'name': 'Belegtstatus an dem Parkplatz Möserstrasse Hs 4 - 02', 'description': 'Belegtstatus'}, {'name': 'Temperatur an dem Parkplatz Möserstrasse Hs 4 - 02', 'description': 'Temperatur an dem Parksensor'}]	passage: name: Parkplatz für Menschen mit Behinderung Schillerstrasse - 03, description: Parkplatz (Standort: Schillerstrasse - 03), datastream: [{'name': 'Belegtstatus an dem Parkplatz Schillerstrasse - 03', 'description': 'Belegtstatus'}, {'name': 'Temperatur an dem Parkplatz Schillerstrasse - 03', 'description': 'Temperatur an dem Parksensor'}]
  passage: name: GWM Spechtstraße, description: Grundwasserpegelmessung (Standort: Spechtstraße), datastream: [{'name': 'Wasserpegel an der GWM Spechtstraße', 'description': 'Der Grundwasserpegel bezogen auf NN: Abstand zwischen Meereshöhe und Wasseroberfläche'}, {'name': '(Wasser-)Temperatur an Sonde der GWM Spechtstraße', 'description': 'Die Temperatur an der Sonde (im Wasser)'}, {'name': 'Atmosphärischer Druck an der GWM Spechtstraße', 'description': 'Der Atmosphärische Druck an der Sendeeinheit (über dem Wasser)'}, {'name': 'Umgebungstemperatur an der GWM Spechtstraße', 'description': 'Die Umgebungstemperatur, gemessen an der Sendeeinheit (über dem Wasser)'}, {'name': 'Differenzdruck an der GWM Spechtstraße', 'description': 'Die Differenz zwischen dem Druck an der Sonde (im Wasser) und dem atmosphärischen Druck an der Sendeeinheit'}]	passage: name: GWM Wittenfelde Mühlendamm, description: Grundwasserpegelmessung (Standort: Wittenfelde Mühlendamm, datastream: [{'name': 'Wasserpegel an der GWM Wittenfelde Mühlendamm', 'description': 'Der Grundwasserpegel bezogen auf NN: Abstand zwischen Meereshöhe und Wasseroberfläche'}, {'name': '(Wasser-)Temperatur an Sonde der GWM Wittenfelde Mühlendamm', 'description': 'Die Temperatur an der Sonde (im Wasser)'}, {'name': 'Atmosphärischer Druck an der GWM Wittenfelde Mühlendamm', 'description': 'Der Atmosphärische Druck an der Sendeeinheit (über dem Wasser)'}, {'name': 'Umgebungstemperatur an der GWM Wittenfelde Mühlendamm', 'description': 'Die Umgebungstemperatur, gemessen an der Sendeeinheit (über dem Wasser)'}, {'name': 'Differenzdruck an der GWM Wittenfelde Mühlendamm', 'description': 'Die Differenz zwischen dem Druck an der Sonde (im Wasser) und dem atmosphärischen Druck an der Sendeeinheit'}]

• Loss: MultipleNegativesRankingLoss with these parameters:

  {
      "scale": 20.0,
      "similarity_fct": "cos_sim",
      "gather_across_devices": false
  }
  

Training Hyperparameters

Non-Default Hyperparameters

• per_device_train_batch_size: 4
• num_train_epochs: 40
• warmup_steps: 10
• gradient_accumulation_steps: 4
• eval_strategy: epoch
• load_best_model_at_end: True

All Hyperparameters

Click to expand

• per_device_train_batch_size: 4
• num_train_epochs: 40
• max_steps: -1
• learning_rate: 5e-05
• lr_scheduler_type: linear
• lr_scheduler_kwargs: None
• warmup_steps: 10
• optim: adamw_torch_fused
• optim_args: None
• weight_decay: 0.0
• adam_beta1: 0.9
• adam_beta2: 0.999
• adam_epsilon: 1e-08
• optim_target_modules: None
• gradient_accumulation_steps: 4
• average_tokens_across_devices: True
• max_grad_norm: 1.0
• label_smoothing_factor: 0.0
• bf16: False
• fp16: False
• bf16_full_eval: False
• fp16_full_eval: False
• tf32: None
• gradient_checkpointing: False
• gradient_checkpointing_kwargs: None
• torch_compile: False
• torch_compile_backend: None
• torch_compile_mode: None
• use_liger_kernel: False
• liger_kernel_config: None
• use_cache: False
• neftune_noise_alpha: None
• torch_empty_cache_steps: None
• auto_find_batch_size: False
• log_on_each_node: True
• logging_nan_inf_filter: True
• include_num_input_tokens_seen: no
• log_level: passive
• log_level_replica: warning
• disable_tqdm: False
• project: huggingface
• trackio_space_id: trackio
• eval_strategy: epoch
• per_device_eval_batch_size: 8
• prediction_loss_only: True
• eval_on_start: False
• eval_do_concat_batches: True
• eval_use_gather_object: False
• eval_accumulation_steps: None
• include_for_metrics: []
• batch_eval_metrics: False
• save_only_model: False
• save_on_each_node: False
• enable_jit_checkpoint: False
• push_to_hub: False
• hub_private_repo: None
• hub_model_id: None
• hub_strategy: every_save
• hub_always_push: False
• hub_revision: None
• load_best_model_at_end: True
• ignore_data_skip: False
• restore_callback_states_from_checkpoint: False
• full_determinism: False
• seed: 42
• data_seed: None
• use_cpu: False
• accelerator_config: {'split_batches': False, 'dispatch_batches': None, 'even_batches': True, 'use_seedable_sampler': True, 'non_blocking': False, 'gradient_accumulation_kwargs': None}
• parallelism_config: None
• dataloader_drop_last: False
• dataloader_num_workers: 0
• dataloader_pin_memory: True
• dataloader_persistent_workers: False
• dataloader_prefetch_factor: None
• remove_unused_columns: True
• label_names: None
• train_sampling_strategy: random
• length_column_name: length
• ddp_find_unused_parameters: None
• ddp_bucket_cap_mb: None
• ddp_broadcast_buffers: False
• ddp_backend: None
• ddp_timeout: 1800
• fsdp: []
• fsdp_config: {'min_num_params': 0, 'xla': False, 'xla_fsdp_v2': False, 'xla_fsdp_grad_ckpt': False}
• deepspeed: None
• debug: []
• skip_memory_metrics: True
• do_predict: False
• resume_from_checkpoint: None
• warmup_ratio: None
• local_rank: -1
• prompts: None
• batch_sampler: batch_sampler
• multi_dataset_batch_sampler: proportional
• router_mapping: {}
• learning_rate_mapping: {}

Training Logs

Epoch	Step	Training Loss	sensor-eval_cosine_accuracy
0.625	10	0.8999	-
1.0	16	-	1.0
1.25	20	0.8850	-
1.875	30	0.8628	-
2.0	32	-	1.0
2.5	40	0.8573	-
3.0	48	-	1.0
3.125	50	0.8168	-
3.75	60	0.9196	-
4.0	64	-	1.0
4.375	70	0.7966	-
5.0	80	0.8498	1.0
5.625	90	0.7993	-
6.0	96	-	1.0
6.25	100	0.8323	-
6.875	110	0.8297	-
7.0	112	-	1.0
7.5	120	0.8285	-
8.0	128	-	1.0
8.125	130	0.7791	-
8.75	140	0.7792	-
9.0	144	-	1.0
9.375	150	0.7874	-
10.0	160	0.7681	1.0
10.625	170	0.7998	-
11.0	176	-	1.0
11.25	180	0.9072	-
11.875	190	0.8040	-
12.0	192	-	1.0
12.5	200	0.7578	-
13.0	208	-	1.0
13.125	210	0.7999	-
13.75	220	0.8061	-
14.0	224	-	1.0
14.375	230	0.8599	-
15.0	240	0.8583	1.0
15.625	250	0.8065	-
16.0	256	-	1.0
16.25	260	0.7855	-
16.875	270	0.8642	-
17.0	272	-	1.0
17.5	280	0.8370	-
18.0	288	-	1.0
18.125	290	0.7141	-
18.75	300	0.7787	-
19.0	304	-	1.0
19.375	310	0.7395	-
20.0	320	0.7387	1.0
20.625	330	0.7480	-
21.0	336	-	1.0
21.25	340	0.7267	-
21.875	350	0.7460	-
22.0	352	-	1.0
22.5	360	0.8191	-
23.0	368	-	1.0
23.125	370	0.7616	-
23.75	380	0.7429	-
24.0	384	-	1.0
24.375	390	0.8342	-
25.0	400	0.7979	1.0
25.625	410	0.7139	-
26.0	416	-	1.0
26.25	420	0.7602	-
26.875	430	0.7041	-
27.0	432	-	1.0
27.5	440	0.7616	-
28.0	448	-	1.0
28.125	450	0.7717	-
28.75	460	0.7635	-
29.0	464	-	1.0
29.375	470	0.8455	-
30.0	480	0.7661	1.0
30.625	490	0.6935	-
31.0	496	-	1.0
31.25	500	0.7374	-
31.875	510	0.8124	-
32.0	512	-	1.0
32.5	520	0.6391	-
33.0	528	-	1.0
33.125	530	0.7026	-
33.75	540	0.7457	-
34.0	544	-	1.0
34.375	550	0.7220	-
35.0	560	0.6747	1.0
35.625	570	0.6967	-
36.0	576	-	1.0
36.25	580	0.6560	-
36.875	590	0.6931	-
37.0	592	-	1.0
37.5	600	0.7191	-
38.0	608	-	1.0
38.125	610	0.6672	-
38.75	620	0.6966	-
39.0	624	-	1.0
39.375	630	0.7470	-
40.0	640	0.6471	1.0

Framework Versions

• Python: 3.12.12
• Sentence Transformers: 5.2.3
• Transformers: 5.2.0
• PyTorch: 2.10.0
• Accelerate: 1.12.0
• Datasets: 4.6.0
• Tokenizers: 0.22.2

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",
}

MultipleNegativesRankingLoss

@misc{henderson2017efficient,
    title={Efficient Natural Language Response Suggestion for Smart Reply},
    author={Matthew Henderson and Rami Al-Rfou and Brian Strope and Yun-hsuan Sung and Laszlo Lukacs and Ruiqi Guo and Sanjiv Kumar and Balint Miklos and Ray Kurzweil},
    year={2017},
    eprint={1705.00652},
    archivePrefix={arXiv},
    primaryClass={cs.CL}
}