Upload folder using huggingface_hub

417a112 verified about 1 month ago

17.6 kB

tags:
  - sentence-transformers
  - sentence-similarity
  - feature-extraction
  - generated_from_trainer
  - dataset_size:131044
  - loss:MatryoshkaLoss
  - loss:MultipleNegativesRankingLoss
base_model: Omartificial-Intelligence-Space/Arabic-Triplet-Matryoshka-V2
widget:
  - source_sentence: >-
      ماهي الكلمه التي تعني: عمله يتم تداولها بين مجموعه من الدول المتحالفه
      اقتصاديا بدلا من عملاتها المحليه.
    sentences:
      - 'رجحان، وترجمتها: appropriate، وقسمها الكلامي: اسم معنى'
      - محيا
      - العمله الموحده
  - source_sentence: 'ماهي الكلمه التي تعني: تطابق اللفظين او تشابههما في المعنى.'
    sentences:
      - 'ترادف، وترجمتها: synonymity، وقسمها الكلامي: اسم معنى'
      - تابن
      - 'شحذ، وترجمتها: To whet، وقسمها الكلامي: فعل متعدي'
  - source_sentence: 'ماهي الكلمه التي تعني: مصطلح على رمز الطرح في الحساب.'
    sentences:
      - 'ناقص، وقسمها الكلامي: اسم ذات'
      - ملغوب في
      - 'استعاره، وترجمتها: borrowing، وقسمها الكلامي: اسم معنى'
  - source_sentence: 'ماهي الكلمه التي تعني: توثيق، واحكام.'
    sentences:
      - تلاحم
      - >-
        متفق، ومثال الكلمه هو: منذ البدايه اقول باني (متفق) معه في معظم ما
        قاله.، وترجمتها: Agreeing with، وقسمها الكلامي: صفه فاعل
      - توكيد
  - source_sentence: >-
      ماهي الكلمه التي تعني: تحزم بالثوب وشده تهيؤا لامر واستعدادا له، او جذب
      شخص من ثيابه التي عند عنقه
    sentences:
      - تحشيه
      - انذر
      - تلبب
pipeline_tag: sentence-similarity
library_name: sentence-transformers

SentenceTransformer based on Omartificial-Intelligence-Space/Arabic-Triplet-Matryoshka-V2

This is a sentence-transformers model finetuned from Omartificial-Intelligence-Space/Arabic-Triplet-Matryoshka-V2. It maps sentences & paragraphs to a 768-dimensional dense vector space and can be used for retrieval.

Model Details

Model Description

Model Type: Sentence Transformer
Base model: Omartificial-Intelligence-Space/Arabic-Triplet-Matryoshka-V2
Maximum Sequence Length: 512 tokens
Output Dimensionality: 768 dimensions
Similarity Function: Cosine Similarity
Supported Modality: Text

Model Sources

Documentation: Sentence Transformers Documentation
Repository: Sentence Transformers on GitHub
Hugging Face: Sentence Transformers on Hugging Face

Full Model Architecture

SentenceTransformer(
  (0): Transformer({'transformer_task': 'feature-extraction', 'modality_config': {'text': {'method': 'forward', 'method_output_name': 'last_hidden_state'}}, 'module_output_name': 'token_embeddings', 'architecture': 'BertModel'})
  (1): Pooling({'embedding_dimension': 768, 'pooling_mode': 'mean', '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 = [
    'ماهي الكلمه التي تعني: تحزم بالثوب وشده تهيؤا لامر واستعدادا له، او جذب شخص من ثيابه التي عند عنقه',
    'تلبب',
    'تحشيه',
]
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,  0.4581,  0.1173],
#         [ 0.4581,  1.0000, -0.0107],
#         [ 0.1173, -0.0107,  1.0000]])

Training Details

Training Dataset

Unnamed Dataset

Size: 131,044 training samples
Columns: anchor, positive, and negative

Approximate statistics based on the first 1000 samples:

	anchor	positive	negative
type	string	string	string
details	min: 9 tokens mean: 17.41 tokens max: 54 tokens	min: 3 tokens mean: 15.64 tokens max: 73 tokens	min: 3 tokens mean: 3.97 tokens max: 9 tokens

Samples:

anchor	positive	negative
`ماهي الكلمه التي تعني: فتر فلان همه فلان: اضعفها.`	`فتر`	`هتف`
`ماهي الكلمه التي تعني: عاصمه ايرلندا، تقع قرب منتصف الساحل الشرقي الايرلندي، عند مصب نهر ليفي، وتقدر مساحتها بنحو 117.8 كيلو متر مربعا.`	`دبلن، وترجمتها: Dublin، وقسمها الكلامي: اسم ذات`	`واشنطن`
`ماهي الكلمه التي تعني: النظام الذي يكون فيه الاقتران الذي يختلف عن اقتران المعادله الاصلي لا يساوي صفرا سواء اكانت المعادله من الرتبه الاولى او الثانيه.`	`معادله غير متجانسه`	`سياسه الاستخدام العادل`

Loss: MatryoshkaLoss with these parameters:

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

Evaluation Dataset

Unnamed Dataset

Size: 14,561 evaluation samples
Columns: anchor, positive, and negative

Approximate statistics based on the first 1000 samples:

	anchor	positive	negative
type	string	string	string
details	min: 9 tokens mean: 17.36 tokens max: 52 tokens	min: 3 tokens mean: 15.68 tokens max: 313 tokens	min: 3 tokens mean: 3.97 tokens max: 9 tokens

Samples:

anchor	positive	negative
`ماهي الكلمه التي تعني: مؤنث (رخو)`	`رخوه، وقسمها الكلامي: صفه مشبهه`	`رخويه`
`ماهي الكلمه التي تعني: مزخرف ومرصع`	`مبرقش`	`مخاف`
`ماهي الكلمه التي تعني: مكتسب حرام وغير مشروع من مال ونحوه`	`مسحت، ومثال الكلمه هو: فانه يضمر في المسحت والمجلف ما يرفعه مثل الذي ونحوه،، وقسمها الكلامي: صفه مفعول`	`مسحوت`

Loss: MatryoshkaLoss with these parameters:

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

Training Hyperparameters

Non-Default Hyperparameters

per_device_train_batch_size: 512
per_device_eval_batch_size: 512
num_train_epochs: 5
warmup_steps: 0.1
fp16: True
batch_sampler: no_duplicates

All Hyperparameters

Click to expand

do_predict: False
prediction_loss_only: True
per_device_train_batch_size: 512
per_device_eval_batch_size: 512
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: 1.0
num_train_epochs: 5
max_steps: -1
lr_scheduler_type: linear
lr_scheduler_kwargs: None
warmup_ratio: None
warmup_steps: 0.1
log_level: passive
log_level_replica: warning
log_on_each_node: True
logging_nan_inf_filter: True
enable_jit_checkpoint: False
save_on_each_node: False
save_only_model: False
restore_callback_states_from_checkpoint: False
use_cpu: False
seed: 42
data_seed: None
bf16: False
fp16: True
bf16_full_eval: False
fp16_full_eval: False
tf32: None
local_rank: -1
ddp_backend: None
debug: []
dataloader_drop_last: False
dataloader_num_workers: 0
dataloader_prefetch_factor: None
disable_tqdm: False
remove_unused_columns: True
label_names: None
load_best_model_at_end: False
ignore_data_skip: False
fsdp: []
fsdp_config: {'min_num_params': 0, 'xla': False, 'xla_fsdp_v2': False, 'xla_fsdp_grad_ckpt': False}
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
group_by_length: False
length_column_name: length
project: huggingface
trackio_space_id: trackio
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
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_for_metrics: []
eval_do_concat_batches: True
auto_find_batch_size: False
full_determinism: False
ddp_timeout: 1800
torch_compile: False
torch_compile_backend: None
torch_compile_mode: None
include_num_input_tokens_seen: no
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: True
use_cache: False
prompts: None
batch_sampler: no_duplicates
multi_dataset_batch_sampler: proportional
router_mapping: {}
learning_rate_mapping: {}

Training Logs

Epoch	Step	Training Loss	Validation Loss
0.3906	100	4.8407	2.1680
0.7812	200	3.2924	1.7895
1.1719	300	2.7619	1.6139
1.5625	400	2.4898	1.5162
1.9531	500	2.3912	1.4297
2.3438	600	2.0123	1.3458
2.7344	700	1.9851	1.3046
3.125	800	1.8550	1.2478
3.5156	900	1.7236	1.2185
3.9062	1000	1.7033	1.1993
4.2969	1100	1.5782	1.1799
4.6875	1200	1.5676	1.1659

Training Time

Training: 13.5 minutes

Framework Versions

Python: 3.12.13
Sentence Transformers: 5.4.1
Transformers: 5.0.0
PyTorch: 2.10.0+cu128
Accelerate: 1.13.0
Datasets: 4.0.0
Tokenizers: 0.22.2

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{oord2019representationlearningcontrastivepredictive,
      title={Representation Learning with Contrastive Predictive Coding},
      author={Aaron van den Oord and Yazhe Li and Oriol Vinyals},
      year={2019},
      eprint={1807.03748},
      archivePrefix={arXiv},
      primaryClass={cs.LG},
      url={https://arxiv.org/abs/1807.03748},
}