Sentence Similarity
sentence-transformers
Safetensors
xlm-roberta
feature-extraction
Generated from Trainer
dataset_size:16825
loss:MultipleNegativesRankingLoss
text-embeddings-inference
Instructions to use codersan/multilingual-e5-base-Fa with libraries, inference providers, notebooks, and local apps. Follow these links to get started.
- Libraries
- sentence-transformers
How to use codersan/multilingual-e5-base-Fa with sentence-transformers:
from sentence_transformers import SentenceTransformer model = SentenceTransformer("codersan/multilingual-e5-base-Fa") sentences = [ "کمپانی هند شرقی فرانسه در زمان سلطنت لویى چهاردهم، برای رقابت سیاسی، اقتصادی و استعماری با دولت بریتانیا در هندوستان تأسیس شد.", "کمپانی هند شرقی فرانسه در دوره پادشاهی لوئی چهاردهم تاسیس شد.", "جنگ موهاک بین کشورهای عثمانی و مجارستان رخ داد.", "فخرالدین عراقی جانشین شیخ بهاء الدین زکریا ملتانی بود." ] embeddings = model.encode(sentences) similarities = model.similarity(embeddings, embeddings) print(similarities.shape) # [4, 4] - Notebooks
- Google Colab
- Kaggle
- Xet hash:
- a4840748e23a4559f507a1504121786e5b5dee4d7df2c5af911a222865f7e31b
- Size of remote file:
- 1.11 GB
- SHA256:
- f8503d16fd8dad3c63fdb0c2d1f501f93df9e0bdd4cf6b2ca678513d9d23f77d
·
Xet efficiently stores Large Files inside Git, intelligently splitting files into unique chunks and accelerating uploads and downloads. More info.