File size: 37,470 Bytes
039ecb2 | 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 | ---
tags:
- sentence-transformers
- sentence-similarity
- feature-extraction
- generated_from_trainer
- dataset_size:470424
- loss:MatryoshkaLoss
- loss:MultipleNegativesRankingLoss
base_model: aubmindlab/bert-base-arabertv02
widget:
- source_sentence: خلال فصل الصيف الحار، استخدمت الجدّة دِرَوْلِيَةُ المجففة كعلاج
طبيعي لالتهاب المعدة في المنزل.
sentences:
- في خلال موسم الحر الشديد، استعملت العجوز عشبةً شبيهة بالشبتِ المجففة كدواء طبيعي
لوجع البطن في الدار.
- '"الْفَتَى اللَّمِيحُ اِهْتَمَّ بِالدِّرَاسَةِ بِإِتْقَانٍ فِي الْمَدْرَسَةِ بَاكِرًا
لِتَحْقِيقِ التَّفَوُّقِ الْأَكَّادِيمِيِّ، عابَ كُلَّ مَجْهُودٍ."'
- في خلال فصل الشتاء البارد، تخلّت العجوز عن استخدام نباتات أخرى غير شبيهة بالشبت
كعلاج غير طبيعي لارتفاع درجة الحرارة في البيت.
- source_sentence: تلقيت مَوْعِظَةٌ من الطبيب في العيادة أمس بخصوص ضرورة اتباع نظام
غذائي صحي."
sentences:
- '"في الفجر، انطلقت الطائفة من المغامرين في اتجاه القمة الجبلية الوعرة بخطوات ثابتة
وحذر شديد."'
- '"استمعتُ إلى عِبْرَةٍ من المختص في المستشفى قبل يومين حول أهمية اتباع حمية متوازنة."'
- '"بدلًا من عبرة نافعة، سمعت لومًا من الممرضة في المستوصف اليوم بخصوص عدم الالتزام
بالعلاج.'
- source_sentence: متى ولد بيل كوسبي ؟
sentences:
- 'في عام 1983 أصدر كوسبي فيلم بيل كوسبي: نفسه. يُنظر إليه على نطاق واسع على أنه
"أعظم فيلم كوميدي موسيقي على الإطلاق".[21] قال كوميديون أصغر سنا مثل جيري ساينفيلد
أن كوسبي يعتبر مبتكر ممارسة الكوميديا الداعمة بالإضافة إلى أنه الشخص الذي مهد
الطريق للكوميديا للدخول إلى المسلسلات التلفزيونية الكوميدية. قال ساينفيلد عن كوسبي:
"لقد فتح بابًا لنا جميعًا حتى أن جميع الشبكات اعتبرت حتى أن هذه طريقة لإنشاء شخصية
وهي أن تأخذ شخصًا يمكنه حمل الجمهور فقط من خلال وجوده هناك وإخباره لقد ابتكر ذلك
حيث ابتكر الفكرة كلها المتمثلة في "اقتباس هزلي" وتطوير برنامج تلفزيوني من شخص
ما تراه على خشبة المسرح".[22] كما رأى الممثل الكوميدي لاري ويلمور أيضًا صلة بين
بيل كوسبي: نفسه ونجاحه لاحقاً في عرض كوسبي قائلاً: "من الواضح أن الحفل هو القالب
الخاص بعرض كوسبي".'
- بدأ بيل كوسبي مسيرته الفنية ككوميدي احتياطي في جائع أنا في سان فرانسيسكو خلال
الستينيات. ثم قام بدور البطولة في المسلسل التلفزيوني "أنا جاسوس" يليه المسرحية
الهزلية الخاصة به "عرض بيل كوسبي" الذي استمر لمدة موسمين من عام 1969 إلى عام 1971.
وفي عام 1972 استخدم شخصية "ألبرت السمين" التي تم تطويرها خلال عروض ستاند أب كوميدي
الروتينية وشخصية كوسبي المبتكرة من خلال المسلسل التلفزيوني الكوميدي ألبرت السمين
وأطفال كوسبي الذي استمر حتى عام 1985 مع التركيز على مجموعة من الأصدقاء الشباب
الذين نشأوا في منطقة حضرية. طوال سبعينيات القرن الماضي تألق كوسبي في حوالي ستة
أفلام وأحيانًا عاد إلى السينما لاحقًا في مسيرته المهنية. التحق بجامعة تمبل في
الستينيات وحصل على البكالوريوس عام 1971. وفي عام 1973 حصل على درجة الماجستير من
جامعة ماساتشوستس في أمهرست وحصل على درجة الدكتوراه في التعليم عام 1976 من جامعة
يوماس أيضًا. ناقش أطروحته استخدام ألبرت السمين وأطفال كوسبي كأداة تعليمية في المدارس
الابتدائية.
- 'تصغير|حاز نجمة على ممر الشهرة في هوليوود في عام 1977.[40] أكبر نجاح تلفزيوني
لكوسبي جاء في سبتمبر 1984 مع الظهور الأول لعرض كوسبي. شارك كوسبي المدافع عن الفكاهة
الموجهة نحو الأسرة في إنتاج المسلسل وعقد السيطرة الإبداعية وشارك نفسه في كل جانب
من جوانب الإنتاج. كانت المؤامرات ترتكز في الغالب على أفكار اقترحها كوسبي أثناء
وجوده في اجتماعات مع طاقم الكتابة.[41] كان لهذا العرض أوجه متوازية مع حياة عائلة
كوسبي الحقيقية: مثل شخصيات كليف وكلير هكسكابل وكان كوسبي وزوجته كاميل متعلمين
كلية وناجحين مالياً وكان لديهما خمسة أطفال. في العرض لعب كوسبي دور طبيب التوليد.
تم أخذ الكثير من المواد من الحلقة التجريبية والموسم الأول من عرض كوسبي من الفيديو
بيل كوسبي: نفسه الذي صدر في عام 1983. كانت السلسلة ناجحة على الفور وحقق تقييمات
عالية وبقي ضمن قائمة الأفضل معظم عرضه في مواسمه الثمانية.'
- ولد كوسبي في 12 يوليو 1937[4] في فيلادلفيا، بنسيلفانيا. وهو واحد من أربعة أبناء
آنا بيرل (سابقا هايت) الخادمة ووليام هنري كوسبي الأب الطباخ في بحرية الولايات
المتحدة.[5][6]
- source_sentence: ماذا تفعل الحكومة الهندية للسيطرة على النمو السكاني؟
sentences:
- لماذا لا تفعل الحكومة الهندية أي شيء للسيطرة على النمو السكاني؟
- لماذا يزداد عدد سكان الهند بهذه السرعة؟ ما هي الطريقة لإيقاف هذا النمو الهائل؟
- هل من الممكن فرض سياسة الطفل الواحد في الهند للسيطرة على النمو السكاني بفعالية؟
- لماذا الحكومة الهندية ليست جادة في السيطرة على السكان؟
- source_sentence: هل لدى البشر عالم وطني في حرب النجوم؟
sentences:
- لماذا حرب النجوم شعبية جدا؟ لماذا الأفلام جيدة جدا؟
- هل من أحد آخر يعتقد أن "حرب النجوم" مبالغ فيها؟
- من أين يأتي البشر في عالم حرب النجوم؟
- ماذا تعتقد سيكون عنوان حرب النجوم الحلقة الثامنة؟
pipeline_tag: sentence-similarity
library_name: sentence-transformers
metrics:
- cosine_accuracy
model-index:
- name: SentenceTransformer based on aubmindlab/bert-base-arabertv02
results:
- task:
type: triplet
name: Triplet
dataset:
name: validation eval
type: validation_eval
metrics:
- type: cosine_accuracy
value: 0.9370383620262146
name: Cosine Accuracy
---
# SentenceTransformer based on aubmindlab/bert-base-arabertv02
This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [aubmindlab/bert-base-arabertv02](https://huggingface.co/aubmindlab/bert-base-arabertv02) on the multi_negative and triplets datasets. 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:** [aubmindlab/bert-base-arabertv02](https://huggingface.co/aubmindlab/bert-base-arabertv02) <!-- at revision 016fb9d6768f522a59c6e0d2d5d5d43a4e1bff60 -->
- **Maximum Sequence Length:** 512 tokens
- **Output Dimensionality:** 768 dimensions
- **Similarity Function:** Cosine Similarity
- **Training Datasets:**
- multi_negative
- triplets
<!-- - **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: BertModel
(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("TawasulAI/Faheem-SoSmall-Base")
# Run inference
sentences = [
'هل لدى البشر عالم وطني في حرب النجوم؟',
'من أين يأتي البشر في عالم حرب النجوم؟',
'لماذا حرب النجوم شعبية جدا؟ لماذا الأفلام جيدة جدا؟',
]
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
#### Triplet
* Dataset: `validation_eval`
* Evaluated with [<code>TripletEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.TripletEvaluator)
| Metric | Value |
|:--------------------|:----------|
| **cosine_accuracy** | **0.937** |
<!--
## 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 Datasets
#### multi_negative
* Dataset: multi_negative
* Size: 127,488 training samples
* Columns: <code>query</code>, <code>positive</code>, <code>negative_1</code>, <code>negative_2</code>, and <code>negative_3</code>
* Approximate statistics based on the first 1000 samples:
| | query | positive | negative_1 | negative_2 | negative_3 |
|:--------|:-----------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|
| type | string | string | string | string | string |
| details | <ul><li>min: 4 tokens</li><li>mean: 13.09 tokens</li><li>max: 356 tokens</li></ul> | <ul><li>min: 4 tokens</li><li>mean: 47.63 tokens</li><li>max: 512 tokens</li></ul> | <ul><li>min: 4 tokens</li><li>mean: 49.69 tokens</li><li>max: 512 tokens</li></ul> | <ul><li>min: 4 tokens</li><li>mean: 47.14 tokens</li><li>max: 512 tokens</li></ul> | <ul><li>min: 4 tokens</li><li>mean: 51.26 tokens</li><li>max: 512 tokens</li></ul> |
* Samples:
| query | positive | negative_1 | negative_2 | negative_3 |
|:--------------------------------------------------------|:-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| <code>ما هو الفرق الرئيسي بين الأوردة والشرايين؟</code> | <code>ما الفرق بين الأوردة والشرايين؟</code> | <code>كيف يمكنني تمييز الوريد عن الشريان؟ ما هي الاختلافات بينهما؟</code> | <code>ما هي الأجزاء الرئيسية للجهاز الدوري ووظائفها؟</code> | <code>كيف تختلف وظيفة الخلايا الخارجية والخلايا الداخلية؟</code> |
| <code>how many calories do i need to eat to lose</code> | <code>للحفاظ على الوزن، يوضح الجدول أدناه حد السعرات الحرارية اليومي الخاص بك. وهو مبني على عمرك ومستوى نشاطك ومؤشر كتلة الجسم (BMI) الذي يبلغ 21.5 للنساء و 22.5 للرجال. لفقدان الوزن - كان يوصى في السابق بأن تقلل من السعرات الحرارية الإجمالية بمقدار 500 سعرة حرارية في اليوم لفقدان رطل واحد في الأسبوع. الآن يعتقد الباحثون أن فقدان الوزن عملية أبطأ وأن تقليل السعرات الحرارية بمقدار 10 سعرات حرارية في اليوم يؤدي إلى فقدان رطل واحد في السنة، ولكن قد يستغرق الأمر ما يصل إلى 3 سنوات للوصول إلى ذلك.</code> | <code>لنفترض أنك بحاجة إلى فقدان 5 أرطال في شهرين، هذا هو كيفية حساب كمية السعرات الحرارية التي يجب تناولها يوميًا: الخطوة 1: احسب معدل الأيض الأساسي واحتياجاتك اليومية من السعرات الحرارية. بعد استخدام حاسبة معدل الأيض الأساسي واحتياجات السعرات الحرارية اليومية، وجدت أن: معدل الأيض الأساسي هو 1800 سعرة حرارية واحتياجات السعرات الحرارية اليومية هي 2000 سعرة حرارية. الخطوة 2: احسب السعرات الحرارية التي تريد فقدانها. تريد فقدان 5 أرطال وهي تقريبًا 17500 سعرة حرارية (1 رطل من الدهون هو 3500 سعرة حرارية). الخطوة 3: احسب كمية السعرات الحرارية التي تحتاج إلى توفيرها يوميًا. هدفك هو فقدان 5 أرطال في شهرين. بعد إجراء بعض الحسابات الأساسية، يمكنك معرفة أن 17500 سعرة حرارية في شهرين هي حوالي 8750 سعرة حرارية في الشهر أو 2187 سعرة حرارية في الأسبوع أو 313 سعرة حرارية في اليوم.</code> | <code>استهدف تقليل 25 في المائة من السعرات الحرارية من نظامك الغذائي. هذا يعني أنه بالنسبة لرجل يبلغ من العمر 30 عامًا وينشط بشكل معتدل، ستنتقل من تناول 2400 سعرة حرارية إلى تناول 1800 سعرة حرارية خلال الأسبوع. بالنسبة لامرأة تبلغ من العمر 30 عامًا وتنشط بشكل معتدل، ستنتقل من تناول 2000 سعرة حرارية إلى تناول 1500 سعرة حرارية في اليوم.</code> | <code>اطرح الرقمين لتحساب عدد السعرات الحرارية التي تقوم بقطعها. على سبيل المثال، 600 سعرة حرارية لرجل يبلغ من العمر 30 عامًا و 500 سعرة حرارية لامرأة تبلغ من العمر 30 عامًا. اضرب هذا الرقم في 7 لمعرفة كمية السعرات الحرارية التي يمكن تجميعها فقط من خلال نظامك الغذائي. على سبيل المثال، 4200 سعرة حرارية للرجل و 3500 سعرة حرارية للمرأة.</code> |
| <code>تجويف الجسم البطني</code> | <code>Human body cavities: Ventral body cavity is to the right. The ventral body cavity is a human body cavity that is in the anterior (front) aspect of the human body. It is made up of the thoracic cavity, and the abdominopelvic cavity. The abdominopelvic cavity is further divided into the abdominal cavity and pelvic cavity, but there is no physical barrier between the two.</code> | <code>The thoracic cavity is separated from the abdominopelvic cavity by the diaphragm. The thoracic cavity is further separated into the pleural cavity which contains the lungs and the superior mediastinum which includes the pericardial (heart) cavity. The organs within the ventral body cavity are called the viscera.</code> | <code>Body membranes • Body membranes – tissuelinings of body cavities andcoverings of internalorgans.• parietal membrane – lining of body cavity (e.g.parietal pleural membranelines the pleural cavity)• visceral membrane – covering of internal organ(e.g. visceral pleuralmembrane lines the surfaceof the lungs).</code> | <code>Body Cavities. Body cavities are areas in the body that contain our internal organs. The dorsal and ventral cavities are the two main cavities. The dorsal cavity is on the posterior (back side) of the body and contains the cranial cavity and spinal cavity. In human anatomy, dorsal, caudal and posterior mean the same thing. The ventral cavity is on the front (anterior) of the body and is divided into the thoracic cavity (chest) and abdominopelvic cavity.</code> |
* Loss: [<code>MatryoshkaLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#matryoshkaloss) with these parameters:
```json
{
"loss": "MultipleNegativesRankingLoss",
"matryoshka_dims": [
768,
256,
128,
64
],
"matryoshka_weights": [
1,
1,
1,
1
],
"n_dims_per_step": -1
}
```
#### triplets
* Dataset: triplets
* Size: 342,936 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: 10 tokens</li><li>mean: 19.15 tokens</li><li>max: 33 tokens</li></ul> | <ul><li>min: 7 tokens</li><li>mean: 20.76 tokens</li><li>max: 37 tokens</li></ul> | <ul><li>min: 3 tokens</li><li>mean: 18.98 tokens</li><li>max: 35 tokens</li></ul> |
* Samples:
| anchor | positive | negative |
|:----------------------------------------------------------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------------------------------------------------------|:----------------------------------------------------------------------------------------------------------------------|
| <code>لقد قدم الباحث مُسْتَطْرَفًا من الأبحاث في المؤتمر، حيث عرض نتائج غير مألوفة أثارت جدلاً واسعاً بين الحضور البارحة."</code> | <code>"لقد قدم الباحث جديدًا من الدراسات في الملتقى، إذ بين معطيات غير تقليدية أثارت نقاشًا مستفيضًا بين المشاركين بالأمس."</code> | <code>"لقد قدم الباحث قديمًا من الأبحاث في الندوة، حيث عرض معلومات مألوفة لم تثر أي حوار بين الحاضرين قبل يوم.</code> |
| <code>بعد يوم حار، اغتسلت بماء زُلال كان يجري في الجدول الصغير بجانب الحقل.</code> | <code>بعد يوم قائظ، تطهرت بماء فُرَات كان يتدفق في النهر الضيق قرب المزرعة.</code> | <code>بعد يوم مشمس، تلطخت بماء أَجِنّ كان راكدا في البركة قرب المرعى.</code> |
| <code>أَوْقَدَ المُخَيِّمُونَ نَارَ المَخِيمِ بِحَمَاسَةٍ قُبَيْلَ اللَيْلِ لِطَهْيِ العَشَاءِ."</code> | <code>"أَثَارَ المُخَيِّمُونَ لَهَبَ المَوْقِدِ بِشَغَفٍ قَبْلَ مَجِيءِ اللَّيْلِ لِإِعْدَادِ الْعَشَاء."</code> | <code>"أَطْفَأَ المُخَيِّمُونَ نَارَ المَخِيمِ بَعْدَ الْعَشَاءِ لِلْخَلُودِ إِلَى النَّوْمِ.</code> |
* Loss: [<code>MatryoshkaLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#matryoshkaloss) with these parameters:
```json
{
"loss": "MultipleNegativesRankingLoss",
"matryoshka_dims": [
768,
256,
128,
64
],
"matryoshka_weights": [
1,
1,
1,
1
],
"n_dims_per_step": -1
}
```
### Training Hyperparameters
#### Non-Default Hyperparameters
- `eval_strategy`: epoch
- `per_device_train_batch_size`: 16
- `per_device_eval_batch_size`: 16
- `gradient_accumulation_steps`: 8
- `learning_rate`: 1e-05
- `weight_decay`: 0.01
- `max_grad_norm`: 3.0
- `lr_scheduler_type`: cosine
- `warmup_ratio`: 0.1
- `fp16`: True
- `optim`: adamw_torch_fused
- `push_to_hub`: True
- `hub_model_id`: TawasulAI/Faheem-SoSmall-Base
- `hub_strategy`: checkpoint
#### All Hyperparameters
<details><summary>Click to expand</summary>
- `overwrite_output_dir`: False
- `do_predict`: False
- `eval_strategy`: epoch
- `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`: 8
- `eval_accumulation_steps`: None
- `torch_empty_cache_steps`: None
- `learning_rate`: 1e-05
- `weight_decay`: 0.01
- `adam_beta1`: 0.9
- `adam_beta2`: 0.999
- `adam_epsilon`: 1e-08
- `max_grad_norm`: 3.0
- `num_train_epochs`: 3
- `max_steps`: -1
- `lr_scheduler_type`: cosine
- `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
- `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`: 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, 'non_blocking': False, 'gradient_accumulation_kwargs': None}
- `deepspeed`: None
- `label_smoothing_factor`: 0.0
- `optim`: adamw_torch_fused
- `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`: True
- `resume_from_checkpoint`: None
- `hub_model_id`: TawasulAI/Faheem-SoSmall-Base
- `hub_strategy`: checkpoint
- `hub_private_repo`: None
- `hub_always_push`: False
- `gradient_checkpointing`: False
- `gradient_checkpointing_kwargs`: None
- `include_inputs_for_metrics`: False
- `include_for_metrics`: []
- `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
- `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
- `use_liger_kernel`: False
- `eval_use_gather_object`: False
- `average_tokens_across_devices`: False
- `prompts`: None
- `batch_sampler`: batch_sampler
- `multi_dataset_batch_sampler`: proportional
</details>
### Training Logs
| Epoch | Step | Training Loss | validation_eval_cosine_accuracy |
|:-----:|:----:|:-------------:|:-------------------------------:|
| 1.0 | 3676 | 12.1079 | 0.9370 |
### Framework Versions
- Python: 3.12.3
- Sentence Transformers: 4.1.0
- Transformers: 4.52.4
- PyTorch: 2.7.0+cu128
- Accelerate: 1.7.0
- Datasets: 3.6.0
- Tokenizers: 0.21.1
## 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",
}
```
#### MatryoshkaLoss
```bibtex
@misc{kusupati2024matryoshka,
title={Matryoshka Representation Learning},
author={Aditya Kusupati and Gantavya Bhatt and Aniket Rege and Matthew Wallingford and Aditya Sinha and Vivek Ramanujan and William Howard-Snyder and Kaifeng Chen and Sham Kakade and Prateek Jain and Ali Farhadi},
year={2024},
eprint={2205.13147},
archivePrefix={arXiv},
primaryClass={cs.LG}
}
```
#### MultipleNegativesRankingLoss
```bibtex
@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}
}
```
<!--
## 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.*
--> |