Sentence Similarity
sentence-transformers
xlm-roberta
feature-extraction
dense
Generated from Trainer
dataset_size:132830
loss:MultipleNegativesRankingLoss
text-embeddings-inference
Instructions to use pilllll/finetuned-embedding-e5 with libraries, inference providers, notebooks, and local apps. Follow these links to get started.
- Libraries
- sentence-transformers
How to use pilllll/finetuned-embedding-e5 with sentence-transformers:
from sentence_transformers import SentenceTransformer model = SentenceTransformer("pilllll/finetuned-embedding-e5") sentences = [ "query: 伤科方", "passage: title: 骨伤科效方集 author: Gengmin Tang category: Orthopedics, Medicine formulae, receipts, prescriptions, 伤科方 description: ", "passage: title: พูดด้วยภาพ 2 : เทคนิคทำสไลด์เป็นภาพง่าย ๆ ใน 2 ขั้นตอน author: สุธาพร ล้ำเลิศกุล. category: Microsoft PowerPoint (Computer file), Presentation graphics software, Business presentations, การออกแบบกราฟิก description: จบปัญหา \"ไม่มีเวลา\" และ \"ไม่มีเทคนิค\" ในการทำสไลด์ หนังสือ \"พูดด้วยภาพ 2 : ทำสไลด์เป็นภาพง่าย ๆ ใน 2 ขั้นตอน\" เล่มนี้ จะสอนให้คุณคิดและทำสไลด์อย่างมีระบบใน 2 ขั้นตอน โดยคุณสามารถเลือกเรียนรู้เฉพาะบท และลงมือทำได้แบบไม่จำเป็นต้องอ่านตั้งแต่ต้นจนจบ ย่อยข้อมูล \"ยาก\" ให้เป็น \"ภาพ\" ที่เข้าใจง่าย พร้อม Link Youtube Video สอนในเล่ม ลด ขั้นตอน เพิ่ม ความแตกต่าง ทำสไลด์ให้ สนุก สวยงาม และสื่อสารให้เกิดประโยชน์สูงสุดแก่ผู้ฟัง ตามแบบฉบับของ \"BetterPitch\" สถาบันสอนการทำสไลด์ในองค์กรชั้นนำทั่วประเทศ!", "passage: title: 福慧之道 author: Yinai Sun category: Happiness, Well-being, Conduct of life, Human comfort, Bonheur, Bien-être, Morale pratique, ethics (philosophical concept), comfort (sensation), Fo jiao Ren sheng zhe xue Tong su du wu description: Ben shu shi dui zheng ge zhong hua wen hua de zong jie, jiang shu ji fu ji hui de fang fa. nei rong bao gua : fu mai yu hui mai : ren sheng de xing fu er mai ; ru he jie fu hui er mai ; cai fu fu tian ; zhi hui fu tian ; fu tian fa ze ; ri xing yi shan ; fu hui ren sheng" ] embeddings = model.encode(sentences) similarities = model.similarity(embeddings, embeddings) print(similarities.shape) # [4, 4] - Notebooks
- Google Colab
- Kaggle
File size: 742 Bytes
9a3f42e | 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 | {
"add_cross_attention": false,
"architectures": [
"XLMRobertaModel"
],
"attention_probs_dropout_prob": 0.1,
"bos_token_id": 0,
"classifier_dropout": null,
"dtype": "float32",
"eos_token_id": 2,
"hidden_act": "gelu",
"hidden_dropout_prob": 0.1,
"hidden_size": 1024,
"initializer_range": 0.02,
"intermediate_size": 4096,
"is_decoder": false,
"layer_norm_eps": 1e-05,
"max_position_embeddings": 514,
"model_type": "xlm-roberta",
"num_attention_heads": 16,
"num_hidden_layers": 24,
"output_past": true,
"pad_token_id": 1,
"position_embedding_type": "absolute",
"tie_word_embeddings": true,
"transformers_version": "5.0.0",
"type_vocab_size": 1,
"use_cache": true,
"vocab_size": 250002
}
|