File size: 38,690 Bytes
d29d274 48e8c53 d29d274 48e8c53 d29d274 48e8c53 d29d274 48e8c53 d29d274 48e8c53 d29d274 48e8c53 d29d274 48e8c53 d29d274 48e8c53 d29d274 48e8c53 d29d274 48e8c53 d29d274 48e8c53 d29d274 48e8c53 d29d274 48e8c53 d29d274 48e8c53 d29d274 48e8c53 d29d274 48e8c53 d29d274 48e8c53 d29d274 48e8c53 d29d274 48e8c53 d29d274 48e8c53 d29d274 48e8c53 d29d274 48e8c53 d29d274 48e8c53 d29d274 48e8c53 d29d274 48e8c53 d29d274 48e8c53 d29d274 48e8c53 d29d274 48e8c53 d29d274 48e8c53 d29d274 48e8c53 d29d274 48e8c53 d29d274 48e8c53 d29d274 48e8c53 d29d274 48e8c53 d29d274 48e8c53 d29d274 48e8c53 d29d274 48e8c53 d29d274 48e8c53 d29d274 48e8c53 d29d274 48e8c53 d29d274 48e8c53 d29d274 48e8c53 d29d274 48e8c53 d29d274 48e8c53 d29d274 48e8c53 d29d274 48e8c53 d29d274 48e8c53 d29d274 48e8c53 d29d274 48e8c53 d29d274 48e8c53 d29d274 48e8c53 d29d274 48e8c53 d29d274 48e8c53 d29d274 |
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 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394 395 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417 418 419 420 421 422 423 424 425 426 427 428 429 430 431 432 433 434 435 436 437 438 439 440 441 442 443 444 445 446 447 448 449 450 451 452 453 454 455 456 457 458 459 460 461 462 463 464 465 466 467 468 469 470 471 472 473 474 475 476 477 478 479 480 481 482 483 484 485 486 487 488 489 490 491 492 493 494 495 496 497 498 499 500 501 502 503 504 505 506 507 508 509 510 511 512 513 514 515 516 517 518 519 520 521 522 523 524 525 526 527 528 529 530 531 532 533 534 535 536 537 538 539 540 541 542 543 544 545 546 547 548 549 550 551 552 553 554 555 556 557 558 559 560 561 562 563 564 565 566 567 568 569 570 571 572 573 574 575 576 577 578 579 580 581 582 583 584 585 586 587 588 589 590 591 592 593 594 595 596 597 598 599 600 601 602 603 604 605 606 607 608 609 610 611 612 613 614 615 616 617 618 619 620 621 622 623 624 625 626 627 628 629 630 631 632 633 634 635 636 637 638 639 640 641 642 643 644 645 646 647 648 649 650 651 652 653 654 655 656 |
---
datasets: []
language: []
library_name: sentence-transformers
metrics:
- cosine_accuracy
- cosine_accuracy_threshold
- cosine_f1
- cosine_f1_threshold
- cosine_precision
- cosine_recall
- cosine_ap
- dot_accuracy
- dot_accuracy_threshold
- dot_f1
- dot_f1_threshold
- dot_precision
- dot_recall
- dot_ap
- manhattan_accuracy
- manhattan_accuracy_threshold
- manhattan_f1
- manhattan_f1_threshold
- manhattan_precision
- manhattan_recall
- manhattan_ap
- euclidean_accuracy
- euclidean_accuracy_threshold
- euclidean_f1
- euclidean_f1_threshold
- euclidean_precision
- euclidean_recall
- euclidean_ap
- max_accuracy
- max_accuracy_threshold
- max_f1
- max_f1_threshold
- max_precision
- max_recall
- max_ap
pipeline_tag: sentence-similarity
tags:
- sentence-transformers
- sentence-similarity
- feature-extraction
- generated_from_trainer
- dataset_size:185249
- loss:CosineSimilarityLoss
widget:
- source_sentence: Die Vermietung erfolgt zu Wohnzwecken. Jede Änderung des Verwendungszweckes
ist ausdrücklich ausgeschlossen.
sentences:
- In diesem Text geht es um Diebstahl
- In diesem Text geht es um Beschränkung
- In diesem Text geht es um Schlüsselpersonal
- source_sentence: Hingewiesen wird, dass für dieses Haus ein Versicherungsvertrag
über Sturmschäden sowie über Feuer-, Haftpflicht-, Leitungswasserschaden und Glasbruch
abgeschlossen wurde und tritt der Mieter den bestehenden Vereinbarungen bei. Der
Mieter erklärt und stimmt zu, auf Bestanddauer die anteiligen Prämienkosten im
Wege der Betriebskostenverrechnung zu bezahlen und stimmt auch einer Erneuerung
oder Änderung des Versicherungsvertrages zu.
sentences:
- In diesem Text geht es um Feuerschaden
- In diesem Text geht es um Kostentragung
- In diesem Text geht es um Vorkaufsrecht
- source_sentence: Vermietet wird die Wohnung Nr im Hause. Der Mietgegenstand besteht
aus zwei Zimmern, Küche mit Duschnische, Vorraum und Klosett. Mitvermietet werden
die in dem heute gemeinsam verfassten Inventar angeführten Einrichtungsgegenstände.
sentences:
- In diesem Text geht es um Gemeinschaftsanlagen
- In diesem Text geht es um Beschreibung
- In diesem Text geht es um Schriftformgebot
- source_sentence: Die Gesellschafter verpflichten sich für einen Zeitraum von [zwei]
Jahren nach Ausscheiden als Gesellschafter, keine Mitarbeiter der Gesellschaft
anzustellen, als freie Mitarbeiter zu beschäftigen oder sonst wie als Berater
beizuziehen und keine Kunden aus dem bestehenden Kundenstamm der Gesellschaft
und keine potentiellen Kunden für sich oder Dritte zu akquirieren und jede auf
die Akquisition oder den Abschluss von Geschäften mit Kunden und potentiellen
Kunden gerichteten Handlungen zu unterlassen. Potenzielle Kunden sind Personen,
bei denen die Gesellschaft in einem Zeitraum von [sechs] Monaten vor dem Ausscheiden
des Gesellschafters [zu einer Angebotslegung eingeladen wurde bzw ein Angebot
gelegt hat].
sentences:
- In diesem Text geht es um Budget
- In diesem Text geht es um Gesellschafter
- In diesem Text geht es um Option
- source_sentence: Der Mieter verpflichtet sich, die Ummeldung der Stromversorgung
unverzüglich (am Tag der Wohnungsübergabe) durchzuführen. Die Ummeldung bei der
Wien Energie GmbH betreffend den Bezug von Warm-, und Kaltwasser sowie Heizung
erfolgt durch die Hausverwaltung.
sentences:
- In diesem Text geht es um Barübergabe
- In diesem Text geht es um Bürgschaft
- In diesem Text geht es um Strom
model-index:
- name: SentenceTransformer
results:
- task:
type: binary-classification
name: Binary Classification
dataset:
name: binary distilbert base german cased root mnrl area bl CAP law wo abgb manifesto internet TOS headings
type: binary_distilbert-base-german-cased_root_mnrl_area_bl__CAP__law_wo_abgb__manifesto__internet____TOS__headings
metrics:
- type: cosine_accuracy
value: 0.9519230769230769
name: Cosine Accuracy
- type: cosine_accuracy_threshold
value: 0.36188435554504395
name: Cosine Accuracy Threshold
- type: cosine_f1
value: 0.7596899224806202
name: Cosine F1
- type: cosine_f1_threshold
value: 0.2901448905467987
name: Cosine F1 Threshold
- type: cosine_precision
value: 0.7135922330097088
name: Cosine Precision
- type: cosine_recall
value: 0.8121546961325967
name: Cosine Recall
- type: cosine_ap
value: 0.8289192578866025
name: Cosine Ap
- type: dot_accuracy
value: 0.9529914529914529
name: Dot Accuracy
- type: dot_accuracy_threshold
value: 110.14871215820312
name: Dot Accuracy Threshold
- type: dot_f1
value: 0.7487179487179487
name: Dot F1
- type: dot_f1_threshold
value: 92.15650177001953
name: Dot F1 Threshold
- type: dot_precision
value: 0.6985645933014354
name: Dot Precision
- type: dot_recall
value: 0.8066298342541437
name: Dot Recall
- type: dot_ap
value: 0.8191183342084556
name: Dot Ap
- type: manhattan_accuracy
value: 0.9519230769230769
name: Manhattan Accuracy
- type: manhattan_accuracy_threshold
value: 455.416015625
name: Manhattan Accuracy Threshold
- type: manhattan_f1
value: 0.7513812154696132
name: Manhattan F1
- type: manhattan_f1_threshold
value: 455.416015625
name: Manhattan F1 Threshold
- type: manhattan_precision
value: 0.7513812154696132
name: Manhattan Precision
- type: manhattan_recall
value: 0.7513812154696132
name: Manhattan Recall
- type: manhattan_ap
value: 0.8248591353088989
name: Manhattan Ap
- type: euclidean_accuracy
value: 0.9524572649572649
name: Euclidean Accuracy
- type: euclidean_accuracy_threshold
value: 20.185283660888672
name: Euclidean Accuracy Threshold
- type: euclidean_f1
value: 0.7541766109785202
name: Euclidean F1
- type: euclidean_f1_threshold
value: 21.926673889160156
name: Euclidean F1 Threshold
- type: euclidean_precision
value: 0.6638655462184874
name: Euclidean Precision
- type: euclidean_recall
value: 0.8729281767955801
name: Euclidean Recall
- type: euclidean_ap
value: 0.8309654116658671
name: Euclidean Ap
- type: max_accuracy
value: 0.9529914529914529
name: Max Accuracy
- type: max_accuracy_threshold
value: 455.416015625
name: Max Accuracy Threshold
- type: max_f1
value: 0.7596899224806202
name: Max F1
- type: max_f1_threshold
value: 455.416015625
name: Max F1 Threshold
- type: max_precision
value: 0.7513812154696132
name: Max Precision
- type: max_recall
value: 0.8729281767955801
name: Max Recall
- type: max_ap
value: 0.8309654116658671
name: Max Ap
---
# SentenceTransformer
This is a [sentence-transformers](https://www.SBERT.net) model trained. 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:** [Unknown](https://huggingface.co/unknown) -->
- **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: DistilBertModel
(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("konzierge/distilbert-base-german-cased-annotation")
# Run inference
sentences = [
'Der Mieter verpflichtet sich, die Ummeldung der Stromversorgung unverzüglich (am Tag der Wohnungsübergabe) durchzuführen. Die Ummeldung bei der Wien Energie GmbH betreffend den Bezug von Warm-, und Kaltwasser sowie Heizung erfolgt durch die Hausverwaltung.',
'In diesem Text geht es um Strom',
'In diesem Text geht es um Bürgschaft',
]
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
#### Binary Classification
* Dataset: `binary_distilbert-base-german-cased_root_mnrl_area_bl__CAP__law_wo_abgb__manifesto__internet____TOS__headings`
* Evaluated with [<code>BinaryClassificationEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.BinaryClassificationEvaluator)
| Metric | Value |
|:-----------------------------|:----------|
| cosine_accuracy | 0.9519 |
| cosine_accuracy_threshold | 0.3619 |
| cosine_f1 | 0.7597 |
| cosine_f1_threshold | 0.2901 |
| cosine_precision | 0.7136 |
| cosine_recall | 0.8122 |
| cosine_ap | 0.8289 |
| dot_accuracy | 0.953 |
| dot_accuracy_threshold | 110.1487 |
| dot_f1 | 0.7487 |
| dot_f1_threshold | 92.1565 |
| dot_precision | 0.6986 |
| dot_recall | 0.8066 |
| dot_ap | 0.8191 |
| manhattan_accuracy | 0.9519 |
| manhattan_accuracy_threshold | 455.416 |
| manhattan_f1 | 0.7514 |
| manhattan_f1_threshold | 455.416 |
| manhattan_precision | 0.7514 |
| manhattan_recall | 0.7514 |
| manhattan_ap | 0.8249 |
| euclidean_accuracy | 0.9525 |
| euclidean_accuracy_threshold | 20.1853 |
| euclidean_f1 | 0.7542 |
| euclidean_f1_threshold | 21.9267 |
| euclidean_precision | 0.6639 |
| euclidean_recall | 0.8729 |
| euclidean_ap | 0.831 |
| max_accuracy | 0.953 |
| max_accuracy_threshold | 455.416 |
| max_f1 | 0.7597 |
| max_f1_threshold | 455.416 |
| max_precision | 0.7514 |
| max_recall | 0.8729 |
| **max_ap** | **0.831** |
<!--
## 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: 185,249 training samples
* Columns: <code>text</code>, <code>target_class</code>, and <code>label</code>
* Approximate statistics based on the first 1000 samples:
| | text | target_class | label |
|:--------|:------------------------------------------------------------------------------------|:----------------------------------------------------------------------------------|:------------------------------------------------------|
| type | string | string | int |
| details | <ul><li>min: 15 tokens</li><li>mean: 67.67 tokens</li><li>max: 184 tokens</li></ul> | <ul><li>min: 9 tokens</li><li>mean: 10.82 tokens</li><li>max: 21 tokens</li></ul> | <ul><li>False: ~92.00%</li><li>True: ~8.00%</li></ul> |
* Samples:
| text | target_class | label |
|:------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:--------------------------------------------------------|:-------------------|
| <code>Der Mieter ist verpflichtet, dem Vermieter unverzüglich mitzuteilen, falls sich seine Kontaktdaten ändern. Diese Informationspflicht umfasst insbesondere die Aktualisierung der Adresse und der Telefonnummer, um die ordnungsgemäße Weitergabe wichtiger Informationen über die Beendigung des Mietverhältnisses sicherzustellen. Bei Rückstellung der Mieträumlichkeiten hat der Mieter auch sämtliche ihm übermittelten Informationen in Bezug auf die Rückgabe der Mietsache zu beachten.</code> | <code>In diesem Text geht es um Kfz-Abstellplatz</code> | <code>False</code> |
| <code>Im Falle von Arbeiten (aber auch bei Reinigung) in der Garage ist der Mieter verpflichtet, für die rechtzeitige Entfernung des Fahrzeuges zu sorgen. Widrigenfalls ist der Vermieter berechtigt, unter Ausschluss jeglicher Haftung für die Beschädigungen, die Entfernung des Fahrzeuges zu Lasten des Mieters vornehmen zu lassen und es an einem Ort seiner Wahl, jedoch auf Kosten und Gefahr des Mieters, abzustellen.</code> | <code>In diesem Text geht es um Unwirksamkeit</code> | <code>False</code> |
| <code>Der Mieter verpflichtet sich, die Mieträume bei Übergabe auf sichtbare Mängel zu überprüfen und dem Vermieter unverzüglich schriftlich über etwaige Mängel zu informieren. Die Dokumentation von Mängeln ist sowohl durch Fotos als auch durch eine detaillierte schriftliche Auflistung sicherzustellen. Der Vermieter ist verpflichtet, Mängel, die während der Mietdauer auftreten, in angemessener Frist zu beheben, sofern diese nicht durch den Mieter verursacht wurden.</code> | <code>In diesem Text geht es um Nebenkosten</code> | <code>False</code> |
* Loss: [<code>CosineSimilarityLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#cosinesimilarityloss) with these parameters:
```json
{
"loss_fct": "torch.nn.modules.loss.MSELoss"
}
```
### Evaluation Dataset
#### Unnamed Dataset
* Size: 1,872 evaluation samples
* Columns: <code>text</code>, <code>target_class</code>, and <code>label</code>
* Approximate statistics based on the first 1000 samples:
| | text | target_class | label |
|:--------|:------------------------------------------------------------------------------------|:----------------------------------------------------------------------------------|:------------------------------------------------------|
| type | string | string | int |
| details | <ul><li>min: 14 tokens</li><li>mean: 67.17 tokens</li><li>max: 267 tokens</li></ul> | <ul><li>min: 9 tokens</li><li>mean: 10.79 tokens</li><li>max: 19 tokens</li></ul> | <ul><li>False: ~90.40%</li><li>True: ~9.60%</li></ul> |
* Samples:
| text | target_class | label |
|:-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:------------------------------------------------------------------|:-------------------|
| <code>Gesetzliche Kündigungsgründe bleiben von der gegenständlichen Vereinbarung sowohl auf Mieterseite, als auch auf Seiten von [XXX] unberührt.</code> | <code>In diesem Text geht es um Gaskombitherme</code> | <code>False</code> |
| <code>Die Ansprüche der Kaufenden Partei, die auf einer Unrichtigkeit, der von der Verkaufenden Partei gegebenen Gewährleistung, beruhen, verjähren spätestens am [Datum]. Für die Rechtzeitigkeit der Geltendmachung von Ansprüchen aus der Verletzung von Zusicherungen ist die gerichtliche Geltendmachung bis zum Ende der obigen Frist (einlangend beim zuständigen Gericht erster Instanz) und die schriftliche Mitteilung des Vorliegens eines Gewährleistungsfalles an die Verkaufende Partei binnen […] Wochen ab Kenntnis maßgeblich.</code> | <code>In diesem Text geht es um Haftungsausschluss</code> | <code>False</code> |
| <code>Der Vermieter und/oder ein von diesem Beauftragter kann das Mietobjekt nach vorheriger Ankündigung – jedoch nicht zur Unzeit – zum Zweck der Besichtigung betreten; bei Gefahr in Verzug entfällt die Voranmeldepflicht. Die letzten drei Monate vor Ablauf der vereinbarten Vertragsdauer sowie im Falle der Kündigung während der Kündigungsfrist ist der Vermieter berechtigt, das gegenständliche Mietobjekt mit Interessenten zu üblichen Zeiten zur Besichtigung zu betreten.</code> | <code>In diesem Text geht es um Investitionsersatzanspruch</code> | <code>False</code> |
* Loss: [<code>CosineSimilarityLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#cosinesimilarityloss) with these parameters:
```json
{
"loss_fct": "torch.nn.modules.loss.MSELoss"
}
```
### Training Hyperparameters
#### Non-Default Hyperparameters
- `per_device_train_batch_size`: 16
- `per_device_eval_batch_size`: 16
- `gradient_accumulation_steps`: 32
- `learning_rate`: 3e-05
- `weight_decay`: 0.01
- `num_train_epochs`: 1
- `warmup_ratio`: 0.1
- `seed`: 130
- `data_seed`: 130
- `fp16`: True
- `group_by_length`: True
- `batch_sampler`: no_duplicates
#### All Hyperparameters
<details><summary>Click to expand</summary>
- `overwrite_output_dir`: False
- `do_predict`: False
- `prediction_loss_only`: True
- `per_device_train_batch_size`: 16
- `per_device_eval_batch_size`: 16
- `per_gpu_train_batch_size`: None
- `per_gpu_eval_batch_size`: None
- `gradient_accumulation_steps`: 32
- `eval_accumulation_steps`: None
- `learning_rate`: 3e-05
- `weight_decay`: 0.01
- `adam_beta1`: 0.9
- `adam_beta2`: 0.999
- `adam_epsilon`: 1e-08
- `max_grad_norm`: 1.0
- `num_train_epochs`: 1
- `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
- `no_cuda`: False
- `use_cpu`: False
- `use_mps_device`: False
- `seed`: 130
- `data_seed`: 130
- `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`: False
- `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, 'gradient_accumulation_kwargs': None}
- `deepspeed`: None
- `label_smoothing_factor`: 0.0
- `optim`: adamw_torch
- `optim_args`: None
- `adafactor`: False
- `group_by_length`: True
- `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`: False
- `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_sampler`: no_duplicates
- `multi_dataset_batch_sampler`: proportional
</details>
### Training Logs
| Epoch | Step | Training Loss | loss | binary_distilbert-base-german-cased_root_mnrl_area_bl__CAP__law_wo_abgb__manifesto__internet____TOS__headings_max_ap |
|:------:|:----:|:-------------:|:------:|:--------------------------------------------------------------------------------------------------------------------:|
| 0.0138 | 5 | 0.1189 | - | - |
| 0.0276 | 10 | 0.0972 | - | - |
| 0.0415 | 15 | 0.0811 | - | - |
| 0.0553 | 20 | 0.0727 | - | - |
| 0.0691 | 25 | 0.0698 | - | - |
| 0.0829 | 30 | 0.0628 | - | - |
| 0.0967 | 35 | 0.0593 | - | - |
| 0.1105 | 40 | 0.0566 | - | - |
| 0.1244 | 45 | 0.0561 | - | - |
| 0.1382 | 50 | 0.0536 | - | - |
| 0.1520 | 55 | 0.0531 | - | - |
| 0.1658 | 60 | 0.0577 | - | - |
| 0.1796 | 65 | 0.0511 | - | - |
| 0.1935 | 70 | 0.0509 | - | - |
| 0.2073 | 75 | 0.0488 | - | - |
| 0.2211 | 80 | 0.0503 | - | - |
| 0.2349 | 85 | 0.0485 | - | - |
| 0.2487 | 90 | 0.0505 | - | - |
| 0.2625 | 95 | 0.0513 | - | - |
| 0.2764 | 100 | 0.0516 | - | - |
| 0.2902 | 105 | 0.0465 | - | - |
| 0.3040 | 110 | 0.0496 | - | - |
| 0.3178 | 115 | 0.0461 | - | - |
| 0.3316 | 120 | 0.0479 | - | - |
| 0.3455 | 125 | 0.0493 | - | - |
| 0.3593 | 130 | 0.0454 | - | - |
| 0.3731 | 135 | 0.0479 | - | - |
| 0.3869 | 140 | 0.0495 | - | - |
| 0.4007 | 145 | 0.0466 | - | - |
| 0.4145 | 150 | 0.049 | 0.0457 | - |
| 0.4284 | 155 | 0.0452 | - | - |
| 0.4422 | 160 | 0.0411 | - | - |
| 0.4560 | 165 | 0.0483 | - | - |
| 0.4698 | 170 | 0.0461 | - | - |
| 0.4836 | 175 | 0.0451 | - | - |
| 0.4975 | 180 | 0.046 | - | - |
| 0.5113 | 185 | 0.0382 | - | - |
| 0.5251 | 190 | 0.0411 | - | - |
| 0.5389 | 195 | 0.0472 | - | - |
| 0.5527 | 200 | 0.049 | - | - |
| 0.5665 | 205 | 0.0441 | - | - |
| 0.5804 | 210 | 0.0427 | - | - |
| 0.5942 | 215 | 0.0456 | - | - |
| 0.6080 | 220 | 0.042 | - | - |
| 0.6218 | 225 | 0.0437 | - | - |
| 0.6356 | 230 | 0.0441 | - | - |
| 0.6495 | 235 | 0.0417 | - | - |
| 0.6633 | 240 | 0.0404 | - | - |
| 0.6771 | 245 | 0.0407 | - | - |
| 0.6909 | 250 | 0.0453 | - | - |
| 0.7047 | 255 | 0.0398 | - | - |
| 0.7185 | 260 | 0.0431 | - | - |
| 0.7324 | 265 | 0.0412 | - | - |
| 0.7462 | 270 | 0.0414 | - | - |
| 0.7600 | 275 | 0.0411 | - | - |
| 0.7738 | 280 | 0.0419 | - | - |
| 0.7876 | 285 | 0.0396 | - | - |
| 0.8015 | 290 | 0.0421 | - | - |
| 0.8153 | 295 | 0.04 | - | - |
| 0.8291 | 300 | 0.0435 | 0.0418 | - |
| 0.8429 | 305 | 0.0385 | - | - |
| 0.8567 | 310 | 0.0424 | - | - |
| 0.8705 | 315 | 0.0413 | - | - |
| 0.8844 | 320 | 0.0423 | - | - |
| 0.8982 | 325 | 0.0451 | - | - |
| 0.9120 | 330 | 0.0387 | - | - |
| 0.9258 | 335 | 0.0435 | - | - |
| 0.9396 | 340 | 0.039 | - | - |
| 0.9535 | 345 | 0.0431 | - | - |
| 0.9673 | 350 | 0.0416 | - | - |
| 0.9811 | 355 | 0.0407 | - | - |
| 0.9949 | 360 | 0.0443 | - | - |
| 0.9977 | 361 | - | - | 0.8310 |
### Framework Versions
- Python: 3.11.4
- Sentence Transformers: 3.0.1
- Transformers: 4.40.1
- PyTorch: 2.1.0+cu121
- Accelerate: 0.33.0
- Datasets: 2.15.0
- 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",
}
```
<!--
## 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.*
--> |