Training in progress, epoch 3, checkpoint

232ec06 verified 11 months ago

33.4 kB

tags:
  - sentence-transformers
  - sentence-similarity
  - feature-extraction
  - generated_from_trainer
  - dataset_size:863559
  - loss:MatryoshkaLoss
  - loss:MultipleNegativesRankingLoss
base_model: intfloat/multilingual-e5-base
widget:
  - source_sentence: >-
      query: أخبرني الطبيب أن بداية تكوين الجنين كانت من نُطْفَةُ صغيرة من مني
      الأب، وهي بداية الخلق العجيبة."
    sentences:
      - >-
        passage: "كانت الطهارةُ أمراً لابدَ منهُ في العصورِ القديمةِ، حيثُ
        تُستَخدَمُ المياهُ المباركةُ لتنظيفِ الزوارِ حينَ قدومِهم إلى المدينةِ."
      - >-
        passage: "أظهرت الفحوصات أن المشكلة ليست في كمية كبيرة من السائل، بل في
        نقص حيويته.
      - >-
        passage: "أوضح لي الطبيب أن نشأة الجنين تبدأ من مني الأب، وهو سائل قليل،
        أساس الحياة المبكرة."
  - source_sentence: >-
      query: اِشْتَهَرَ اَلْحَاكِمُ اَلْجَدِيدُ بِـ اَلْعُلُوِّ وَالتَّجَبُّرِ
      فِي تَعَامُلِهِ مَعَ اَلشَّعْبِ فِي قَصْرِهِ اَلْفَخْمِ أَمْسِ بَعْدَ
      اِنْتِخَابِهِ."
    sentences:
      - >-
        passage: "اِشْتَهَرَ اَلْحَاكِمُ اَلْجَدِيدُ بِـ اَلْسُّمُوِّ
        وَالتَّعَالِي فِي مُعَامَلَتِهِ لِلرَّعِيَّةِ دَاخِلَ قَصْرِهِ
        اَلْعَظِيمِ بِالْأَمْسِ بَعْدَ اِنْتِخَابِهِ."
      - >-
        passage: "بَدَا اَلْحَاكِمُ اَلْجَدِيدُ بِـ اَلْقَاعِ وَاَلتَّوَاضُعِ
        فِي تَصَرُّفَاتِهِ مَعَ اَلْمُوَاطِنِينَ فِي قَصْرِهِ اَلْبَسِيطِ
        بِالْأَمْسِ بَعْدَ اِنْتِخَابِهِ.
      - >-
        passage: "كانت رحلة الأسرة بالقطار في الصباح الباكر نحو الجبال مغامرة
        شيقة ومبهجة."
  - source_sentence: 'query: what continent is ethiopia in'
    sentences:
      - >-
        passage: إريتريا (تُلفظ /ˌɛrᵻˈtreɪ.ə/ أو /ˌɛrᵻˈtriːə/)، رسميًا دولة
        إريتريا، هي دولة تقع في القرن الأفريقي. عاصمتها أسمرة، وتحدها السودان من
        الغرب، وإثيوبيا من الجنوب، وجيبوتي من الجنوب الشرقي. تتمتع الأجزاء
        الشمالية الشرقية والشرقية من إريتريا بساحل طويل على طول البحر الأحمر.
      - >-
        passage: في الآونة الأخيرة، اجتاح المنطقة أسوأ جفاف في تاريخ شرق إفريقيا
        في عام 2011، حيث فشلت موسم الأمطار في الحدوث لمدة عامين متتاليين. تعمل
        الحكومة حاليًا على تطوير السياحة لإثيوبيا من خلال عدد من المبادرات.
      - >-
        passage: يُظهر خريطة موقع إثيوبيا المرفقة أن إثيوبيا تقع في الجزء الشرقي
        من قارة إفريقيا. كما يُظهر خريطة إثيوبيا أن البلاد تقع على القرن
        الأفريقي وتحدها إريتريا من الشمال، وجيبوتي والصومال من الشرق، وكينيا من
        الجنوب، والسودان من الغرب.
      - >-
        passage: انتهت حرب حدود مع إريتريا في أواخر التسعينيات بمعاهدة سلام في
        ديسمبر 2000. تم تأجيل الترسيم النهائي للحدود حاليًا بسبب اعتراضات
        إثيوبيا على вывод لجنة دولية تتطلب منها التخلي عن أراضي تعتبر حساسة
        لإثيوبيا.
  - source_sentence: 'query: ما هو الهدف من الحياة؟'
    sentences:
      - 'passage: ما هو معنى الحياة بالنسبة لك؟'
      - 'passage: ما هو حلم حياتك؟'
      - 'passage: ما هو الهدف من كل شيء إذا كان كل شيء ينتهي على أي حال؟'
      - 'passage: ما هو الغرض الوحيد من الحياة؟'
  - source_sentence: 'query: رجل يحرق نفسه في محاكمة بريفيك'
    sentences:
      - 'passage: رجل يحرق نفسه خارج محاكمة بريفيك'
      - 'passage: رجل قام برمي نفسه في الهواء'
      - 'passage: رجل يدفئ نفسه بجانب الموقد'
      - 'passage: رجل يحرق نفسه في المجمع التجاري الوطني في واشنطن'
pipeline_tag: sentence-similarity
library_name: sentence-transformers
metrics:
  - cosine_accuracy
model-index:
  - name: SentenceTransformer based on intfloat/multilingual-e5-base
    results:
      - task:
          type: triplet
          name: Triplet
        dataset:
          name: validation eval
          type: validation_eval
        metrics:
          - type: cosine_accuracy
            value: 0.967090904712677
            name: Cosine Accuracy

SentenceTransformer based on intfloat/multilingual-e5-base

This is a sentence-transformers model finetuned from intfloat/multilingual-e5-base 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: intfloat/multilingual-e5-base
Maximum Sequence Length: 512 tokens
Output Dimensionality: 768 dimensions
Similarity Function: Cosine Similarity
Training Datasets:
- multi_negative
- triplets

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}) with Transformer model: XLMRobertaModel 
  (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})
  (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("TawasulAI/Faheem-mE5_Base_new_data")
# Run inference
sentences = [
    'query: رجل يحرق نفسه في محاكمة بريفيك',
    'passage: رجل يحرق نفسه خارج محاكمة بريفيك',
    'passage: رجل قام برمي نفسه في الهواء',
]
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]

Evaluation

Metrics

Triplet

Dataset: validation_eval
Evaluated with TripletEvaluator

Metric	Value
cosine_accuracy	0.9671

Training Details

Training Datasets

multi_negative

Dataset: multi_negative
Size: 491,698 training samples
Columns: query, positive, negative_1, negative_2, and negative_3

Approximate statistics based on the first 1000 samples:

	query	positive	negative_1	negative_2	negative_3
type	string	string	string	string	string
details	min: 8 tokens mean: 24.34 tokens max: 512 tokens	min: 7 tokens mean: 53.93 tokens max: 512 tokens	min: 6 tokens mean: 52.46 tokens max: 512 tokens	min: 7 tokens mean: 51.96 tokens max: 512 tokens	min: 7 tokens mean: 52.59 tokens max: 512 tokens

Samples:

query	positive	negative_1	negative_2	negative_3
`query: ما هي بعض الأفلام من جميع أنحاء العالم التي تحتوي على مشاهد عارية (باستثناء الإباحية) ؟`	`passage: ما هي بعض الأفلام من جميع أنحاء العالم التي تحتوي على بعض من أفضل المشاهد العارية (باستثناء الإباحية) ؟`	`passage: ما هو الفيلم الذي يحتوي على أكثر المشاهد العارية؟`	`passage: هل من مشاهد جنس في الأفلام (غير الإباحية) كان فيها الممثلين يمارسون الجنس؟`	`passage: ما هي بعض من أفضل الأفلام الجنسية (أي لغة) ؟`
`query: ما هو الدماغ البيني؟`	`passage: Top 10 amazing movie makeup transformations. The diencephalon, also known as the interbrain or betweenbrain, is one of the major areas of the brain, along with the brainstem, cerebellum, and cerebrum.`	`passage: These 10 animal facts will amaze you. The diencephalon, also known as the interbrain or betweenbrain, is one of the major areas of the brain, along with the brainstem, cerebellum, and cerebrum. This structure in the brain contains a number of smaller components of the brain which perform a variety of roles to keep the body functioning.`	`passage: 1 The diencephalon is made up of four main components: the thalamus, the subthalamus, the hypothalamus, and the epithalamus. The hypothalamus is an integral part of the endocrine system, with one of the most important functions being to link the nervous system to the endocrine system via the pituitary gland.`	`passage: Meronyms (parts of diencephalon): corpus mamillare; mamillary body; mammillary body (one of two small round structures on the undersurface of the brain that form the terminals of the anterior arches of the fornix) infundibulum (any of various funnel-shaped parts of the body (but especially the hypophyseal stalk))`
`query: هل يعتبر التهاب المفاصل الروماتويدي نفس التهاب المفاصل`	passage: Arthritis is an umbrella term used to describe pain, stiffness and inflammation of the joints. However, there are different kinds of arthritis, including rheumatoid arthritis (RA) and osteoarthritis (OA). Although RA and OA both affect the joints, they are very different forms of the same broader condition.Rheumatoid arthritis is an autoimmune condition, while osteoarthritis is a degenerative joint disease.lthough RA and OA both affect the joints, they are very different forms of the same broader condition. Rheumatoid arthritis is an autoimmune condition, while osteoarthritis is a degenerative joint disease.	`passage: Text A A A. Rheumatoid arthritis (RA) is an autoimmune disease where the body's immune system attacks normal joint tissues, causing inflammation of the joint lining.This inflammation of the joint lining (called the synovium) can cause pain, stiffness, swelling, warmth, and redness.ext A A A. Rheumatoid arthritis (RA) is an autoimmune disease where the body's immune system attacks normal joint tissues, causing inflammation of the joint lining.`	`passage: Rheumatoid arthritis is a serious autoimmune disease that attacks the joints and other body parts. But RA can be tough to diagnose.Symptoms can mimic other illnesses, or they may flare, then fade, only to flare again somewhere else.Lab tests aren’t perfectyou can test negative for RA factors and still have it.heumatoid arthritis is a serious autoimmune disease that attacks the joints and other body parts. But RA can be tough to diagnose.`	`passage: Share +. Text A A A. Rheumatoid arthritis (RA) is an autoimmune disease where the body's immune system attacks normal joint tissues, causing inflammation of the joint lining. This inflammation of the joint lining (called the synovium) can cause pain, stiffness, swelling, warmth, and redness.ext A A A. Rheumatoid arthritis (RA) is an autoimmune disease where the body's immune system attacks normal joint tissues, causing inflammation of the joint lining.`

Loss: MatryoshkaLoss with these parameters:

{
    "loss": "MultipleNegativesRankingLoss",
    "matryoshka_dims": [
        768,
        256,
        128,
        64
    ],
    "matryoshka_weights": [
        1,
        1,
        1,
        1
    ],
    "n_dims_per_step": -1
}

triplets

Dataset: triplets
Size: 371,861 training samples
Columns: anchor, positive, and negative

Approximate statistics based on the first 1000 samples:

	anchor	positive	negative
type	string	string	string
details	min: 18 tokens mean: 53.76 tokens max: 150 tokens	min: 9 tokens mean: 55.48 tokens max: 159 tokens	min: 5 tokens mean: 51.11 tokens max: 166 tokens

Samples:

anchor	positive	negative
`query: لقد قدم الباحث مُسْتَطْرَفًا من الأبحاث في المؤتمر، حيث عرض نتائج غير مألوفة أثارت جدلاً واسعاً بين الحضور البارحة."`	`passage: "لقد قدم الباحث جديدًا من الدراسات في الملتقى، إذ بين معطيات غير تقليدية أثارت نقاشًا مستفيضًا بين المشاركين بالأمس."`	`passage: "لقد قدم الباحث قديمًا من الأبحاث في الندوة، حيث عرض معلومات مألوفة لم تثر أي حوار بين الحاضرين قبل يوم.`
`query: بعد يوم حار، اغتسلت بماء زُلال كان يجري في الجدول الصغير بجانب الحقل.`	`passage: بعد يوم قائظ، تطهرت بماء فُرَات كان يتدفق في النهر الضيق قرب المزرعة.`	`passage: بعد يوم مشمس، تلطخت بماء أَجِنّ كان راكدا في البركة قرب المرعى.`
`query: أَوْقَدَ المُخَيِّمُونَ نَارَ المَخِيمِ بِحَمَاسَةٍ قُبَيْلَ اللَيْلِ لِطَهْيِ العَشَاءِ."`	`passage: "أَثَارَ المُخَيِّمُونَ لَهَبَ المَوْقِدِ بِشَغَفٍ قَبْلَ مَجِيءِ اللَّيْلِ لِإِعْدَادِ الْعَشَاء."`	`passage: "أَطْفَأَ المُخَيِّمُونَ نَارَ المَخِيمِ بَعْدَ الْعَشَاءِ لِلْخَلُودِ إِلَى النَّوْمِ.`

Loss: MatryoshkaLoss with these parameters:

{
    "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: 16
learning_rate: 4e-05
weight_decay: 0.01
max_grad_norm: 2.0
lr_scheduler_type: cosine
warmup_ratio: 0.1
fp16: True
optim: adamw_8bit
push_to_hub: True
hub_model_id: TawasulAI/Faheem-mE5_Base_NLI
hub_strategy: checkpoint

All Hyperparameters

Click to expand

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: 16
eval_accumulation_steps: None
torch_empty_cache_steps: None
learning_rate: 4e-05
weight_decay: 0.01
adam_beta1: 0.9
adam_beta2: 0.999
adam_epsilon: 1e-08
max_grad_norm: 2.0
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_8bit
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-mE5_Base_NLI
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

Training Logs

Epoch	Step	Training Loss	validation_eval_cosine_accuracy
None	0	-	0.9376
1.0	3374	22.5359	0.9636
2.0	6748	12.387	0.9669
3.0	10122	8.596	0.9671

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

@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

@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

@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}
}