Update README.md

README.md

@@ -5,14 +5,48 @@ tags:
 - feature-extraction
 - sentence-similarity
 - transformers
-
+license: cc-by-4.0
+language: te
+widget:
+- source_sentence: "ఒక మహిళ ఉల్లిపాయను కత్తిస్తోంది"
+  sentences:
+    - "ఒక స్త్రీ ఉల్లిపాయలు కోస్తోంది" 
+    - "ఒక స్త్రీ బంగాళాదుంపను తొక్కడం"
+    - "ఒక పిల్లి ఇంటి చుట్టూ నడుస్తోంది"
+  example_title: "Example 1"
+
+- source_sentence: "పిల్లల బృందం జంపింగ్ పోటీని నిర్వహిస్తోంది"
+  sentences:
+    - "పిల్లల గుంపు సరదాగా గడుపుతోంది"
+    - "పిల్లలు పార్కులో ఆడుకోవడానికి ఇష్టపడతారు"
+    - "ముగ్గురు అబ్బాయిలు నడుస్తున్నారు"
+  example_title: "Example 2"
+
+- source_sentence: "మీ రెండు ప్రశ్నలకు అవుననే సమాధానం వస్తుంది"
+  sentences:
+    - "రెండు ప్రశ్నలకు అవుననే సమాధానం వస్తోంది"
+    - "మేము మీ అన్ని ప్రశ్నలకు సమాధానమిచ్చాము"
+    - "నేను ఈ ప్రశ్నకు సమాధానం ఇస్తాను"
+  example_title: "Example 3"
 ---
 
-# {MODEL_NAME}
+# TeluguSBERT
+
+This is a TeluguBERT model (l3cube-pune/telugu-bert) trained on the NLI dataset. <br>
+Released as a part of project MahaNLP: https://github.com/l3cube-pune/MarathiNLP <br>
 
-This is a [sentence-transformers](https://www.SBERT.net) model: It maps sentences & paragraphs to a 768 dimensional dense vector space and can be used for tasks like clustering or semantic search.
+A better sentence similarity model (fine-tuned version of this model) is shared here: https://huggingface.co/l3cube-pune/telugu-sentence-similarity-sbert <br>
 
-<!--- Describe your model here -->
+More details on the dataset, models, and baseline results can be found in our [paper] (https://arxiv.org/abs/2211.11187) 
+
+```
+@article{joshi2022l3cubemahasbert,
+  title={L3Cube-MahaSBERT and HindSBERT: Sentence BERT Models and Benchmarking BERT Sentence Representations for Hindi and Marathi},
+  author={Joshi, Ananya and Kajale, Aditi and Gadre, Janhavi and Deode, Samruddhi and Joshi, Raviraj},
+  journal={arXiv preprint arXiv:2211.11187},
+  year={2022}
+}
+```
 
 ## Usage (Sentence-Transformers)
 
@@ -67,60 +101,3 @@ sentence_embeddings = cls_pooling(model_output, encoded_input['attention_mask'])
 print("Sentence embeddings:")
 print(sentence_embeddings)
 ```
-
-
-
-## Evaluation Results
-
-<!--- Describe how your model was evaluated -->
-
-For an automated evaluation of this model, see the *Sentence Embeddings Benchmark*: [https://seb.sbert.net](https://seb.sbert.net?model_name={MODEL_NAME})
-
-
-## Training
-The model was trained with the parameters:
-
-**DataLoader**:
-
-`sentence_transformers.datasets.NoDuplicatesDataLoader.NoDuplicatesDataLoader` of length 15699 with parameters:
-```
-{'batch_size': 4}
-```
-
-**Loss**:
-
-`sentence_transformers.losses.MultipleNegativesRankingLoss.MultipleNegativesRankingLoss` with parameters:
-  ```
-  {'scale': 20.0, 'similarity_fct': 'cos_sim'}
-  ```
-
-Parameters of the fit()-Method:
-```
-{
-    "epochs": 1,
-    "evaluation_steps": 0,
-    "evaluator": "sentence_transformers.evaluation.EmbeddingSimilarityEvaluator.EmbeddingSimilarityEvaluator",
-    "max_grad_norm": 1,
-    "optimizer_class": "<class 'torch.optim.adamw.AdamW'>",
-    "optimizer_params": {
-        "lr": 2e-05
-    },
-    "scheduler": "WarmupLinear",
-    "steps_per_epoch": null,
-    "warmup_steps": 1569,
-    "weight_decay": 0.01
-}
-```
-
-
-## Full Model Architecture
-```
-SentenceTransformer(
-  (0): Transformer({'max_seq_length': 512, 'do_lower_case': False}) with Transformer model: BertModel 
-  (1): Pooling({'word_embedding_dimension': 768, 'pooling_mode_cls_token': True, 'pooling_mode_mean_tokens': False, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False})
-)
-```
-
-## Citing & Authors
-
-<!--- Describe where people can find more information -->