Add new SentenceTransformer model

cf0f8e7 verified 10 days ago

21.2 kB

tags:
  - sentence-transformers
  - sentence-similarity
  - feature-extraction
  - generated_from_trainer
  - dataset_size:20000
  - loss:TripletLoss
base_model: sentence-transformers/all-MiniLM-L6-v2
widget:
  - source_sentence: >-
      Ната́лья Миха́йловна Семени́хина (16 февраля 1970, Харьков) — российская
      журналистка и телеведущая.
    sentences:
      - >-
        В первую очередь нарратор (рассказчик) является обладателем информации о
        концовке, и именно благодаря этой способности он существенно отличается
        от другого участника рассказа - его 'героя', который, находясь в центре
        событий, не осведомлен об этом.
      - >-
        Российская журналистка и телеведущая Ната́лья Миха́йловна Семени́хина
        родилась 16 февраля 1970 года в Харькове.
      - >-
        Ната́лья Миха́йловна Семени́хина не является журналисткой и телеведущей,
        она из другой профессии.
  - source_sentence: >-
      Наиболее известный продукт Zello — одноимённая интернет-рация (программа),
      которая разработана Алексеем Гавриловым, ныне техническим директором
      Zello.
    sentences:
      - >-
        Тина Канделаки и Василий Бровко были генеральными продюсерами, им же
        принадлежала уникальная концепция.
      - >-
        Малоизвестный продукт Zello — непопулярная интернет-рация, которая не
        вызвала интерес у пользователей.
      - >-
        Одноименная интернет-рация Zello, разработанная Алексеем Гавриловым,
        ныне техническим директором компании.
  - source_sentence: >-
      Дэмиен занял 4 место в индивидуальном соревновании среди участников со
      всего мира.
    sentences:
      - >-
        15 февраля 2018 года, в связи с политическим кризисом в стране,
        Хайлемариам Десалень заявил в своем телевизионном обращении о своей
        отставке с поста премьер-министра и председателя правящей коалиции в
        Эфиопии.
      - Дэмиен не смог попасть в топ-3 в индивидуальном соревновании.
      - >-
        4 место в индивидуальном соревновании среди участников со всего мира
        занял Дэмиен.
  - source_sentence: >-
      Эта башня, которая обошлась $150 млн, была построена в 2006 году и вмещает
      около 2800 сотрудников, в ней 23 этажа и 12 парковочных уровней.
    sentences:
      - >-
        Проработанный мир был похвален обозревателями, особенно устройство Ада
        было хорошо продумано.
      - >-
        Эта башня, построенная в 2006 году за $150 млн, предназначена для
        проживания около 2800 сотрудников, в ней 23 этажа и 12 уровней для
        парковки.
      - >-
        Эта башня была построена бесплатно в 1990 году и пустует, ни одного
        сотрудника, ни одного этажа и ни одного парковочного уровня в ней нет.
  - source_sentence: >-
      В это время ядро из русского ретраншемента разбило носилки Карла XII, но
      сам король не пострадал.
    sentences:
      - В составе Подпорожского района с 1954 года.
      - >-
        В это время носилки Карла XII не подверглись никаким повреждениям, хотя
        ядро из русского ретраншемента было близко.
      - >-
        В это время носилки Карла XII были разбиты ядром из русского
        ретраншемента, но сам король остался цел.
pipeline_tag: sentence-similarity
library_name: sentence-transformers

SentenceTransformer based on sentence-transformers/all-MiniLM-L6-v2

This is a sentence-transformers model finetuned from sentence-transformers/all-MiniLM-L6-v2. It maps sentences & paragraphs to a 384-dimensional dense vector space and can be used for retrieval.

Model Details

Model Description

Model Type: Sentence Transformer
Base model: sentence-transformers/all-MiniLM-L6-v2
Maximum Sequence Length: 256 tokens
Output Dimensionality: 384 dimensions
Similarity Function: Cosine Similarity
Supported Modality: Text

Model Sources

Documentation: Sentence Transformers Documentation
Repository: Sentence Transformers on GitHub
Hugging Face: Sentence Transformers on Hugging Face

Full Model Architecture

SentenceTransformer(
  (0): Transformer({'transformer_task': 'feature-extraction', 'modality_config': {'text': {'method': 'forward', 'method_output_name': 'last_hidden_state'}}, 'module_output_name': 'token_embeddings', 'architecture': 'BertModel'})
  (1): Pooling({'embedding_dimension': 384, 'pooling_mode': 'mean', '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("AlucardV/finetuned_model_ver2")
# Run inference
sentences = [
    'В это время ядро из русского ретраншемента разбило носилки Карла XII, но сам король не пострадал.',
    'В это время носилки Карла XII были разбиты ядром из русского ретраншемента, но сам король остался цел.',
    'В это время носилки Карла XII не подверглись никаким повреждениям, хотя ядро из русского ретраншемента было близко.',
]
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, -0.9995,  0.9999],
#         [-0.9995,  1.0000, -0.9995],
#         [ 0.9999, -0.9995,  1.0000]])

Training Details

Training Dataset

Unnamed Dataset

Size: 20,000 training samples
Columns: sentence_0, sentence_1, and sentence_2

Approximate statistics based on the first 100 samples:

	sentence_0	sentence_1	sentence_2
type	string	string	string
modality	text	text	text
details	min: 31 tokens mean: 112.28 tokens max: 256 tokens	min: 31 tokens mean: 104.71 tokens max: 256 tokens	min: 31 tokens mean: 97.02 tokens max: 256 tokens

Samples:

sentence_0	sentence_1	sentence_2
`После окончания Московского среднего технического училища (1918) работал электромехаником в Московском практическом электротехническом институте и одновременно учился там же (окончил в 1921 г. со званием инженера по электрооборудованию фабрик и заводов).`	`Работая электромехаником в Московском практическом электротехническом институте, после окончания Московского среднего технического училища (1918), он одновременно учился там же и успешно закончил в 1921 году, получив звание инженера по электрооборудованию фабрик и заводов.`	`Не окончив Московское среднее техническое училище в 1918 году, он не стал электромехаником в Московском практическом электротехническом институте и не учился там же, не закончив обучение в 1921 году со званием инженера по электрооборудованию фабрик и заводов.`
`В течение своей жизни Шарлотта неоднократно отказывалась от замужества, иногда воспринимая брачные предложения серьёзно, иногда относясь к ним с юмором.`	`Шарлотта неоднократно отклоняла сватовство в течение своей жизни, то серьезно воспринимая брачные предложения, то с улыбкой.`	`В течение своей жизни Шарлотта всегда радовалась предложениям о замужестве, не принимая их всерьёз, чаще всего смеясь.`
`В 1978 году окончил Уфимский государственный институт искусств (ныне — Уфимская государственная академия искусств имени Загира Исмагилова) по специальности «сольное пение», класс заслуженного деятеля искусств России и Башкортостана, профессора М. Г. Муртазиной.`	`В 1978 году закончил Уфимский государственный институт искусств (ныне — Уфимская государственная академия искусств имени Загира Исмагилова) по направлению «сольное пение», класса заслуженной артистки России и Башкортостана, профессора Е. П. Ибрагимова.`	`Не закончил обучение в Уфимском государственном институте искусств, не получив диплома по специальности «сольное пение».`

Loss: TripletLoss with these parameters:

{
    "distance_metric": "TripletDistanceMetric.EUCLIDEAN",
    "triplet_margin": 5
}

Training Hyperparameters

Non-Default Hyperparameters

per_device_train_batch_size: 32
per_device_eval_batch_size: 32
multi_dataset_batch_sampler: round_robin

All Hyperparameters

Click to expand

per_device_train_batch_size: 32
num_train_epochs: 3
max_steps: -1
learning_rate: 5e-05
lr_scheduler_type: linear
lr_scheduler_kwargs: None
warmup_steps: 0
optim: adamw_torch
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: 1
average_tokens_across_devices: True
max_grad_norm: 1
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: None
trackio_bucket_id: None
trackio_static_space_id: None
per_device_eval_batch_size: 32
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: False
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_static_graph: None
ddp_backend: None
ddp_timeout: 1800
fsdp: None
fsdp_config: None
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: round_robin
router_mapping: {}
learning_rate_mapping: {}

Training Logs

Epoch	Step	Training Loss
0.8	500	4.1612
1.6	1000	3.9547
2.4	1500	3.9096

Training Time

Training: 24.6 minutes

Framework Versions

Python: 3.12.8
Sentence Transformers: 5.6.0
Transformers: 5.13.1
PyTorch: 2.6.0+cu124
Accelerate: 1.14.0
Datasets: 5.0.0
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",
}

TripletLoss

@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}
}