Upload full fine-tuned Marathi similarity model

1a85893 verified 8 months ago

16.3 kB

tags:
  - sentence-transformers
  - sentence-similarity
  - feature-extraction
  - dense
  - generated_from_trainer
  - dataset_size:5748
  - loss:CosineSimilarityLoss
base_model: l3cube-pune/marathi-sentence-similarity-sbert
widget:
  - source_sentence: त्याला पकडण्याचा त्यांचा कोणताही हेतू नव्हता.
    sentences:
      - '- मी असे म्हटले नाही की त्याने त्याला पकडण्याचा विचार केला.'
      - पॅलेस्टाईन नेतृत्व फताह-हमास दोहा कराराला पाठिंबा देते
      - एक माणूस गोंधळ टेबलवर लॅपटॉप संगणक पहात बसला.
  - source_sentence: >-
      घरांच्या स्वतंत्र सर्वेक्षणानुसार, बेरोजगारीचा दर ऑगस्टमध्ये घसरून 6.2
      टक्क्यांवरून 6.1 टक्क्यांवर आला.
    sentences:
      - >-
        कामगार विभागाच्या विश्लेषकांनी राष्ट्रीय बेरोजगारीच्या दरात थोडीशी
        सुधारणा केली, जी ऑगस्टमध्ये घसरून .2.२ टक्क्यांवरून .1.१ टक्के झाली आहे.
      - >-
        अटलांटा ऑलिम्पिक गेम्सच्या हल्ल्यामुळे एका महिलेचा मृत्यू झाला आणि इतर
        100 हून अधिक लोकांना जखमी झाले.
      - इजिप्त कोर्टाने मुबारकची रिलीज विनंती नाकारली
  - source_sentence: गवत असलेल्या पेनमध्ये एक काळी आणि पांढरी गाय.
    sentences:
      - कोनी 2012 'संचालक रुग्णालयात दाखल
      - >-
        ग्रीन टी पिण्यामुळे पुरुष प्रोस्टेट कर्करोगाचा धोका कमी होण्याचा धोका
        कमी करू शकतो, ऑस्ट्रेलियन संशोधकांनी केलेल्या अभ्यासानुसार.
      - एक काळा आणि पांढरा मांजर घाणीत आहे.
  - source_sentence: >-
      पाच सदस्यीय एफसीसी पॅनेलवरील दोन डेमोक्रॅट्सनी पॉवेलविरूद्ध मत
      मांडण्यासाठी एक पत्रकार परिषद घेतली.
    sentences:
      - >-
        दक्षिण आफ्रिका मंडेला मेमोरियलमध्ये कर्णबधिरांच्या स्वाक्षर्‍यापेक्षा
        संभाव्य 'चूक' कबूल करते
      - स्टेशनवर थांबलेली एक प्रवासी ट्रेन.
      - >-
        पाच सदस्यीय एफसीसीवरील दोन डेमोक्रॅट्सनी पॉवेल आणि पॅनेलच्या इतर दोन
        रिपब्लिकन यांच्याविरूद्ध मत मांडण्यासाठी एक पत्रकार परिषद घेतली.
  - source_sentence: >-
      १ 198 33 च्या सुपर बाउलमध्ये त्याने सुरुवात केली, जी मियामीने
      वॉशिंग्टनकडून २-17-१-17 असा पराभव पत्करला.
    sentences:
      - >-
        सुपर बाउलमध्ये वॉशिंग्टनला डॉल्फिनच्या 27-17 च्या पराभवासह त्याने
        मियामीमध्ये चार हंगाम खेळला.
      - इस्त्राईलने गाझामध्ये ग्राउंड आक्रमण केले
      - चीनचे अध्यक्ष व्हेनेझुएला येथे राज्य भेटीसाठी आले
pipeline_tag: sentence-similarity
library_name: sentence-transformers

SentenceTransformer based on l3cube-pune/marathi-sentence-similarity-sbert

This is a sentence-transformers model finetuned from l3cube-pune/marathi-sentence-similarity-sbert. 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: l3cube-pune/marathi-sentence-similarity-sbert
Maximum Sequence Length: 512 tokens
Output Dimensionality: 768 dimensions
Similarity Function: Cosine Similarity

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, 'architecture': '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:

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("sentence_transformers_model_id")
# Run inference
sentences = [
    '१ 198 33 च्या सुपर बाउलमध्ये त्याने सुरुवात केली, जी मियामीने वॉशिंग्टनकडून २-17-१-17 असा पराभव पत्करला.',
    'सुपर बाउलमध्ये वॉशिंग्टनला डॉल्फिनच्या 27-17 च्या पराभवासह त्याने मियामीमध्ये चार हंगाम खेळला.',
    'इस्त्राईलने गाझामध्ये ग्राउंड आक्रमण केले',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 768]

# Get the similarity scores for the embeddings
similarities = model.similarity(embeddings, embeddings)
print(similarities)
# tensor([[1.0000, 0.6214, 0.1279],
#         [0.6214, 1.0000, 0.0781],
#         [0.1279, 0.0781, 1.0000]])

Training Details

Training Dataset

Unnamed Dataset

Size: 5,748 training samples
Columns: sentence_0, sentence_1, and label
Approximate statistics based on the first 1000 samples:
sentence_0 sentence_1 label
type string string float
details
min: 4 tokens
mean: 15.58 tokens
max: 50 tokens

min: 5 tokens
mean: 15.82 tokens
max: 52 tokens

min: 0.0
mean: 0.52
max: 1.0

	sentence_0	sentence_1	label
type	string	string	float
details	min: 4 tokens mean: 15.58 tokens max: 50 tokens	min: 5 tokens mean: 15.82 tokens max: 52 tokens	min: 0.0 mean: 0.52 max: 1.0

Samples:

sentence_0	sentence_1	label
`रेस्टॉरंटमध्ये टेबलवर बसलेले दोन लोक.`	`एका टेबलावर चार लोक बसले.`	`0.36`
`इराकी राजधानीत कार बॉम्ब 58 मारतात`	`कार बॉम्बस्फोटांनी इराकी राजधानीत 13 नागरिकांना ठार मारले`	`0.48`
`पॅलेस्टाईनचे नेतृत्व इस्त्रायली एफएम कॉलला अब्बास यांना निषेध करते`	`पॅलेस्टाईन नेतृत्व फताह-हमास दोहा कराराला पाठिंबा देते`	`0.2`

Loss: CosineSimilarityLoss with these parameters:

{
    "loss_fct": "torch.nn.modules.loss.MSELoss"
}

Training Hyperparameters

Non-Default Hyperparameters

num_train_epochs: 4
multi_dataset_batch_sampler: round_robin

All Hyperparameters

Click to expand

overwrite_output_dir: False
do_predict: False
eval_strategy: no
prediction_loss_only: True
per_device_train_batch_size: 8
per_device_eval_batch_size: 8
per_gpu_train_batch_size: None
per_gpu_eval_batch_size: None
gradient_accumulation_steps: 1
eval_accumulation_steps: None
torch_empty_cache_steps: None
learning_rate: 5e-05
weight_decay: 0.0
adam_beta1: 0.9
adam_beta2: 0.999
adam_epsilon: 1e-08
max_grad_norm: 1
num_train_epochs: 4
max_steps: -1
lr_scheduler_type: linear
lr_scheduler_kwargs: {}
warmup_ratio: 0.0
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: False
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}
parallelism_config: 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: False
resume_from_checkpoint: None
hub_model_id: None
hub_strategy: every_save
hub_private_repo: None
hub_always_push: False
hub_revision: None
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
liger_kernel_config: None
eval_use_gather_object: False
average_tokens_across_devices: False
prompts: None
batch_sampler: batch_sampler
multi_dataset_batch_sampler: round_robin
router_mapping: {}
learning_rate_mapping: {}

Training Logs

Epoch	Step	Training Loss
0.6954	500	0.0227
1.3908	1000	0.0161
2.0862	1500	0.0114
2.7816	2000	0.0068
3.4771	2500	0.0055

Framework Versions

Python: 3.12.11
Sentence Transformers: 5.1.0
Transformers: 4.56.0
PyTorch: 2.8.0+cu126
Accelerate: 1.10.1
Datasets: 4.0.0
Tokenizers: 0.22.0

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",
}