|
|
--- |
|
|
tags: |
|
|
- sentence-transformers |
|
|
- sentence-similarity |
|
|
- feature-extraction |
|
|
- generated_from_trainer |
|
|
- dataset_size:1242 |
|
|
- loss:MultipleNegativesRankingLoss |
|
|
base_model: LazarusNLP/congen-indobert-lite-base |
|
|
widget: |
|
|
- source_sentence: Ketiga Bagian Keempat Masuk ke Bagian Kedua kataphras kata |
|
|
sentences: |
|
|
- (4) Ketentuan lebih lanjut mengenai tata cara penetapan daya dukung dan daya tampung |
|
|
lingkungan hidup sebagaimana dimaksud pada ayat (3) diatur dalam peraturan pemerintah. |
|
|
BAB V PENGENDALIAN Bagian Kesatu Umum Pasal 13 (1) Pengendalian pencemaran dan/atau |
|
|
kerusakan lingkungan hidup dilaksanakan dalam rangka pelestarian fungsi lingkungan |
|
|
hidup. |
|
|
- (2) Apabila dalam penyelesaian sengketa di luar pengadilan sebagaimana dimaksud |
|
|
pada ayat (1) tida k tercapai kesepakatan, para pihak yang bersengketa dapat mengajukannya |
|
|
ke pengadilan. Bagian Ketiga Penyelesaian Sengketa di Dalam Pengadilan Pasal 35 |
|
|
(1) Penyelesaian sengketa persampahan di dalam pengadilan dilakukan melalui gugatan |
|
|
perbuatan melawan hukum. |
|
|
- Jumlah pengunjung di Kawasan Wisata Pantai Parangtritis mencapai 9.870 orang/hari |
|
|
1. Sedangkan, sampah yang dihasilkan oleh para wisatawan rata -rata 1,5 – 2,0 |
|
|
ton per hari pada hari biasa, dan bisa mencapai 20 ton sampah per hari pada saat |
|
|
liburan seperli libur lebaran 2. |
|
|
- source_sentence: Bagaimana pandangan Anda mengenai ketersediaan sarana prasarana |
|
|
sampah? |
|
|
sentences: |
|
|
- Abstra ct Parangtritis Beach is a tourist attraction that is visited by many tourists. |
|
|
The number of tourists visiting during the 2018 holiday reached 9,870 people in |
|
|
one day. |
|
|
- organik. Hal ini berfungsi untuk mengolah sampah, baik itu organik maupun non |
|
|
organik, menjadi bahan yang lebih menguntungkan, seperti membuat pupuk kompos |
|
|
yang berasal dari sampah organik atau mendaur ulang sampah non organik menjadi |
|
|
benda seni. Selain menguntungkan dari segi ekonomi, hal tersebut akan mengurangi |
|
|
volume sampah yang dibuang ke TPA atau akan mengurangi volume sampah itu sendiri. |
|
|
Dengan berkurangnya volume sampah yang dibuang ke TPA maka akan menghemat lahan |
|
|
yang dibutuhkan untuk dijadikan TPA. Sehingga dampak lingkungan yang disebabkan |
|
|
oleh sampah akan ikut berkurang. Masyarakat di kawasan wisata Pantai Parangtritis |
|
|
telah menganggap bahwa |
|
|
- Amanat Undang-Unda ng Dasar tersebut memberikan konsekuensi bahwa pemerintah wajib |
|
|
memberikan pelayanan publik dalam pengelolaan sampah. Hal itu membaw a konsekuensi |
|
|
hukum bahwa pemerintah merupakan pihak yang berwenang dan bertanggung jawab di |
|
|
bidang pengelola an sampah meskipun secara operasional pengelolaannya dapat be |
|
|
rmitra dengan badan usaha. |
|
|
- source_sentence: Bagaimana jika kelalaian mengakibatkan orang mati? |
|
|
sentences: |
|
|
- 36. Izin usaha dan/atau kegiatan adalah izin yang diterbitkan oleh instansi teknis |
|
|
untuk melakukan usaha dan/atau kegiatan. 37. Pemerintah pusat, yang selanjutnya |
|
|
disebut Pemerintah, adalah Presiden Republik Indonesia yang memegang kekuasaan |
|
|
pemerintahan Negara Republik Indonesia sebagaimana dimaksud dalam Undang-Undang |
|
|
Dasar Negara Republik Indonesia Tahun 1945. 38. |
|
|
- Rp2.000.000.000,00 (dua miliar rupiah) dan paling banyak Rp6.000.000.000,00 (enam |
|
|
miliar rupiah). (3) Apabila perbuatan sebagaimana dimaksud pada ayat (1) mengakibatkan |
|
|
orang luka berat atau mati, dipidana dengan pidana penjara paling singkat 3 (tiga) |
|
|
tahun dan paling lama 9 (sembilan) tahun dan denda paling sedikit Rp3.000.000.000,00 |
|
|
(tiga miliar rupiah) dan paling banyak Rp9.000.000.000,00 (sembilan miliar rupiah). |
|
|
- Sebutkan beberapa jenis destinasi wisata di Yogyakarta. |
|
|
- source_sentence: Penjelasan Pasal 43 Ayat 3 Huruf e f |
|
|
sentences: |
|
|
- Jumlah pengunjung di Kawasan Wisata Pantai Parangtritis mencapai 9.870 orang/hari |
|
|
1. Sedangkan, sampah yang dihasilkan oleh para wisatawan rata -rata 1,5 – 2,0 |
|
|
ton per hari pada hari biasa, dan bisa mencapai 20 ton sampah per hari pada saat |
|
|
liburan seperli libur lebaran 2. |
|
|
- kegiatan. Huruf e - 22 - Huruf e Yang dimaksud dengan “pembayaran jasa lingkungan |
|
|
hidup” adalah pembayaran/imbal yang diberikan oleh pemanfaat jasa lingkungan hidup |
|
|
kepada penyedia jasa lingkungan hidup |
|
|
- Ayat (3) Cukup jelas. Pasal 55 Cukup jelas. Pasal 56 Cukup jelas |
|
|
- source_sentence: Masukkan I KETENTUAN UMUM BAB I? |
|
|
sentences: |
|
|
- 'UNDANG-UNDANG TENTANG PENGELOLAAN SAM PAH. BAB I KETENTUAN UMUM Bagian Kesatu |
|
|
Definisi Pasal 1 Dalam Undang-Undang ini yang dimaksud dengan: 1. Sampah adalah |
|
|
sisa kegiatan sehari-hari manusia dan/atau proses alam yang berbentuk padat. 2.' |
|
|
- Penelitian ini dilakukan dengan mengambil sampel dari satu populasi penduduk dan |
|
|
menggunakan kuisioner sebagai alat pengumpul data. Penelitian difokuskan di lapangan |
|
|
yang dimaksudkan untuk mengetahui |
|
|
- e. penempatan perusahaan di bawah pengampuan paling lama 3 (tiga) tahun. Pasal |
|
|
120 (1) Dalam melaksanakan ketentuan sebagaimana dimaksud dalam Pasal 119 huruf |
|
|
a, huruf b, huruf c, dan huruf d, jaksa berkoordinasi dengan instansi yang bertanggung |
|
|
jawab di bidang perlindungan dan pengelolaan lingkungan hidup untuk melaksanakan |
|
|
eksekusi. |
|
|
pipeline_tag: sentence-similarity |
|
|
library_name: sentence-transformers |
|
|
metrics: |
|
|
- cosine_accuracy |
|
|
model-index: |
|
|
- name: SentenceTransformer based on LazarusNLP/congen-indobert-lite-base |
|
|
results: |
|
|
- task: |
|
|
type: triplet |
|
|
name: Triplet |
|
|
dataset: |
|
|
name: retrieval validation |
|
|
type: retrieval-validation |
|
|
metrics: |
|
|
- type: cosine_accuracy |
|
|
value: 0.9887640476226807 |
|
|
name: Cosine Accuracy |
|
|
- task: |
|
|
type: triplet |
|
|
name: Triplet |
|
|
dataset: |
|
|
name: test |
|
|
type: test |
|
|
metrics: |
|
|
- type: cosine_accuracy |
|
|
value: 0.9943820238113403 |
|
|
name: Cosine Accuracy |
|
|
--- |
|
|
|
|
|
# SentenceTransformer based on LazarusNLP/congen-indobert-lite-base |
|
|
|
|
|
This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [LazarusNLP/congen-indobert-lite-base](https://huggingface.co/LazarusNLP/congen-indobert-lite-base). 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:** [LazarusNLP/congen-indobert-lite-base](https://huggingface.co/LazarusNLP/congen-indobert-lite-base) <!-- at revision e1f1ad81d3c620b317077edfaa5d1ce1b07b464b --> |
|
|
- **Maximum Sequence Length:** 32 tokens |
|
|
- **Output Dimensionality:** 768 dimensions |
|
|
- **Similarity Function:** Cosine Similarity |
|
|
<!-- - **Training Dataset:** Unknown --> |
|
|
<!-- - **Language:** Unknown --> |
|
|
<!-- - **License:** Unknown --> |
|
|
|
|
|
### Model Sources |
|
|
|
|
|
- **Documentation:** [Sentence Transformers Documentation](https://sbert.net) |
|
|
- **Repository:** [Sentence Transformers on GitHub](https://github.com/UKPLab/sentence-transformers) |
|
|
- **Hugging Face:** [Sentence Transformers on Hugging Face](https://huggingface.co/models?library=sentence-transformers) |
|
|
|
|
|
### Full Model Architecture |
|
|
|
|
|
``` |
|
|
SentenceTransformer( |
|
|
(0): Transformer({'max_seq_length': 32, 'do_lower_case': False}) with Transformer model: AlbertModel |
|
|
(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): Dense({'in_features': 768, 'out_features': 768, 'bias': True, 'activation_function': 'torch.nn.modules.activation.Tanh'}) |
|
|
) |
|
|
``` |
|
|
|
|
|
## Usage |
|
|
|
|
|
### Direct Usage (Sentence Transformers) |
|
|
|
|
|
First install the Sentence Transformers library: |
|
|
|
|
|
```bash |
|
|
pip install -U sentence-transformers |
|
|
``` |
|
|
|
|
|
Then you can load this model and run inference. |
|
|
```python |
|
|
from sentence_transformers import SentenceTransformer |
|
|
|
|
|
# Download from the 🤗 Hub |
|
|
model = SentenceTransformer("yosriku/exp_data_scale_1files") |
|
|
# Run inference |
|
|
sentences = [ |
|
|
'Masukkan I KETENTUAN UMUM BAB I?', |
|
|
'UNDANG-UNDANG TENTANG PENGELOLAAN SAM PAH. BAB I KETENTUAN UMUM Bagian Kesatu Definisi Pasal 1 Dalam Undang-Undang ini yang dimaksud dengan: 1. Sampah adalah sisa kegiatan sehari-hari manusia dan/atau proses alam yang berbentuk padat. 2.', |
|
|
'Penelitian ini dilakukan dengan mengambil sampel dari satu populasi penduduk dan menggunakan kuisioner sebagai alat pengumpul data. Penelitian difokuskan di lapangan yang dimaksudkan untuk mengetahui', |
|
|
] |
|
|
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] |
|
|
``` |
|
|
|
|
|
<!-- |
|
|
### Direct Usage (Transformers) |
|
|
|
|
|
<details><summary>Click to see the direct usage in Transformers</summary> |
|
|
|
|
|
</details> |
|
|
--> |
|
|
|
|
|
<!-- |
|
|
### Downstream Usage (Sentence Transformers) |
|
|
|
|
|
You can finetune this model on your own dataset. |
|
|
|
|
|
<details><summary>Click to expand</summary> |
|
|
|
|
|
</details> |
|
|
--> |
|
|
|
|
|
<!-- |
|
|
### Out-of-Scope Use |
|
|
|
|
|
*List how the model may foreseeably be misused and address what users ought not to do with the model.* |
|
|
--> |
|
|
|
|
|
## Evaluation |
|
|
|
|
|
### Metrics |
|
|
|
|
|
#### Triplet |
|
|
|
|
|
* Datasets: `retrieval-validation` and `test` |
|
|
* Evaluated with [<code>TripletEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.TripletEvaluator) |
|
|
|
|
|
| Metric | retrieval-validation | test | |
|
|
|:--------------------|:---------------------|:-----------| |
|
|
| **cosine_accuracy** | **0.9888** | **0.9944** | |
|
|
|
|
|
<!-- |
|
|
## Bias, Risks and Limitations |
|
|
|
|
|
*What are the known or foreseeable issues stemming from this model? You could also flag here known failure cases or weaknesses of the model.* |
|
|
--> |
|
|
|
|
|
<!-- |
|
|
### Recommendations |
|
|
|
|
|
*What are recommendations with respect to the foreseeable issues? For example, filtering explicit content.* |
|
|
--> |
|
|
|
|
|
## Training Details |
|
|
|
|
|
### Training Dataset |
|
|
|
|
|
#### Unnamed Dataset |
|
|
|
|
|
* Size: 1,242 training samples |
|
|
* Columns: <code>anchor</code>, <code>positive</code>, and <code>negative</code> |
|
|
* Approximate statistics based on the first 1000 samples: |
|
|
| | anchor | positive | negative | |
|
|
|:--------|:---------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|:---------------------------------------------------------------------------------| |
|
|
| type | string | string | string | |
|
|
| details | <ul><li>min: 3 tokens</li><li>mean: 8.99 tokens</li><li>max: 32 tokens</li></ul> | <ul><li>min: 11 tokens</li><li>mean: 29.92 tokens</li><li>max: 32 tokens</li></ul> | <ul><li>min: 5 tokens</li><li>mean: 27.4 tokens</li><li>max: 32 tokens</li></ul> | |
|
|
* Samples: |
|
|
| anchor | positive | negative | |
|
|
|:------------------------------------------------|:----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------| |
|
|
| <code>Pasal 21 Ayat 2</code> | <code>Ayat (1) Cukup jelas. Ayat (2) Cukup jelas</code> | <code>The number of tourists visiting during the 2018 holiday reached 9,870 people in one day. Every activity of tourists will produce waste in the tourist area, especially organic wast e. Organic waste has good energy potential</code> | |
|
|
| <code>Penjelasan Pasal 43 Ayat 1 Huruf b</code> | <code>moneter. Huruf b Yang dimaksud dengan “produk domestik bruto” adalah nilai semua barang dan jasa yang diproduksi oleh suatu negara pada periode tertentu.</code> | <code>Manufaktur. Pendidikan S2 diselesaikan di Magister Teknik Mesin Teknik Mesin Universitas Gadjah Mada diselesaikan pada Tahun 2011 dengan riset Optimasi Industri.</code> | |
|
|
| <code>Landasan hukum PP 81 Tahun 2012</code> | <code>8. Peraturan Pem erintah Nomor 81 Tahun 2012 tentang Pengelolaan Samp ah Rum ah Tangga dan Sampah Sejenis Sampah Rum ah Tangga (Lemb aran Nega ra Republik Indonesia Tahun 2012 Nomor 188, Tamb ahan Lembaran Negara Republik Indon esia Nom or 5347); 9. Peraturan Presiden Nomor 2 Tahun 2015 tentang Rencana Pembangunan Jangk a Menengah Nasional Tahun 2015- 2019 (Lembaran Negara Republik Indonesia Ta hun 2015 Nomor 3);</code> | <code>Sampah orga nik yang akan diproses sebanyak 1.400,36 kg per hari. Kemudian diproses menjadi arang, sehingga didapatkan arang sampah organik sebanyak 205,91 kg per hari. Berdasarkan perhitungan didapatkan potensi energi listrik yang dihasilkan adalah 1.392,38 kWh</code> | |
|
|
* Loss: [<code>MultipleNegativesRankingLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#multiplenegativesrankingloss) with these parameters: |
|
|
```json |
|
|
{ |
|
|
"scale": 20.0, |
|
|
"similarity_fct": "cos_sim" |
|
|
} |
|
|
``` |
|
|
|
|
|
### Evaluation Dataset |
|
|
|
|
|
#### Unnamed Dataset |
|
|
|
|
|
* Size: 356 evaluation samples |
|
|
* Columns: <code>anchor</code>, <code>positive</code>, and <code>negative</code> |
|
|
* Approximate statistics based on the first 356 samples: |
|
|
| | anchor | positive | negative | |
|
|
|:--------|:---------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|:----------------------------------------------------------------------------------| |
|
|
| type | string | string | string | |
|
|
| details | <ul><li>min: 3 tokens</li><li>mean: 8.74 tokens</li><li>max: 22 tokens</li></ul> | <ul><li>min: 12 tokens</li><li>mean: 29.99 tokens</li><li>max: 32 tokens</li></ul> | <ul><li>min: 6 tokens</li><li>mean: 27.12 tokens</li><li>max: 32 tokens</li></ul> | |
|
|
* Samples: |
|
|
| anchor | positive | negative | |
|
|
|:---------------------------------------------------------|:-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------| |
|
|
| <code>Bagaimana sistem informasi lingkungan hidup</code> | <code>(1) Pemerintah dan pemerintah daerah mengembangkan sistem informasi lingkungan hidup untuk mendukung pelaksanaan dan pengembangan kebijakan perlindungan dan pengelolaan lingkungan hidup. (2) Sistem informasi lingkungan hidup dilakukan secara terpadu dan terkoordinasi dan wajib dipublikasikan kepada masyarakat.</code> | <code>Bagaimana jika B3 telah kedaluwarsa?</code> | |
|
|
| <code>Masukkan I KETENTUAN UMUM BAB I?</code> | <code>UNDANG-UNDANG TENTANG PENGELOLAAN SAM PAH. BAB I KETENTUAN UMUM Bagian Kesatu Definisi Pasal 1 Dalam Undang-Undang ini yang dimaksud dengan: 1. Sampah adalah sisa kegiatan sehari-hari manusia dan/atau proses alam yang berbentuk padat. 2.</code> | <code>Penelitian ini dilakukan dengan mengambil sampel dari satu populasi penduduk dan menggunakan kuisioner sebagai alat pengumpul data. Penelitian difokuskan di lapangan yang dimaksudkan untuk mengetahui</code> | |
|
|
| <code>Sebutkan contoh</code> | <code>kondisi lingkungan dengan berbagai cara. Dampak positif kepariwisataan yaitu konservasi kawasan lindung, konservasi situs arkeologi dan sejarah, perbaikan kualitas lingkugan, peningkatan lingkungan, perbaikan infrastruktur, dan</code> | <code>terletak pada area yang posisi geografisnya berada diantara 7058`33`` LS sampai dengan 802`26`` LS dan diantara 110025`15`` BT sampai dengan 110028`15`` BT. Luas keseluruhan wilayah Kecamatan Kretek adalah 2.677 Ha (5,28 % dari luas</code> | |
|
|
* Loss: [<code>MultipleNegativesRankingLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#multiplenegativesrankingloss) with these parameters: |
|
|
```json |
|
|
{ |
|
|
"scale": 20.0, |
|
|
"similarity_fct": "cos_sim" |
|
|
} |
|
|
``` |
|
|
|
|
|
### Training Hyperparameters |
|
|
#### Non-Default Hyperparameters |
|
|
|
|
|
- `eval_strategy`: steps |
|
|
- `per_device_train_batch_size`: 128 |
|
|
- `per_device_eval_batch_size`: 128 |
|
|
- `learning_rate`: 2e-05 |
|
|
- `warmup_ratio`: 0.1 |
|
|
- `fp16`: True |
|
|
- `load_best_model_at_end`: True |
|
|
- `push_to_hub`: True |
|
|
- `hub_model_id`: yosriku/exp_data_scale_1files |
|
|
- `hub_private_repo`: True |
|
|
|
|
|
#### All Hyperparameters |
|
|
<details><summary>Click to expand</summary> |
|
|
|
|
|
- `overwrite_output_dir`: False |
|
|
- `do_predict`: False |
|
|
- `eval_strategy`: steps |
|
|
- `prediction_loss_only`: True |
|
|
- `per_device_train_batch_size`: 128 |
|
|
- `per_device_eval_batch_size`: 128 |
|
|
- `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`: 2e-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`: 3 |
|
|
- `max_steps`: -1 |
|
|
- `lr_scheduler_type`: linear |
|
|
- `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`: True |
|
|
- `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_torch |
|
|
- `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`: yosriku/exp_data_scale_1files |
|
|
- `hub_strategy`: every_save |
|
|
- `hub_private_repo`: True |
|
|
- `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`: proportional |
|
|
|
|
|
</details> |
|
|
|
|
|
### Training Logs |
|
|
| Epoch | Step | Validation Loss | retrieval-validation_cosine_accuracy | test_cosine_accuracy | |
|
|
|:-------:|:------:|:---------------:|:------------------------------------:|:--------------------:| |
|
|
| 1.0 | 5 | 3.6622 | 0.9888 | - | |
|
|
| 2.0 | 10 | 3.4266 | 0.9888 | - | |
|
|
| **3.0** | **15** | **3.3585** | **0.9888** | **-** | |
|
|
| -1 | -1 | - | - | 0.9944 | |
|
|
|
|
|
* The bold row denotes the saved checkpoint. |
|
|
|
|
|
### Framework Versions |
|
|
- Python: 3.11.13 |
|
|
- Sentence Transformers: 4.1.0 |
|
|
- Transformers: 4.53.3 |
|
|
- PyTorch: 2.6.0+cu124 |
|
|
- Accelerate: 1.9.0 |
|
|
- Datasets: 4.1.1 |
|
|
- Tokenizers: 0.21.2 |
|
|
|
|
|
## Citation |
|
|
|
|
|
### BibTeX |
|
|
|
|
|
#### Sentence Transformers |
|
|
```bibtex |
|
|
@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", |
|
|
} |
|
|
``` |
|
|
|
|
|
#### MultipleNegativesRankingLoss |
|
|
```bibtex |
|
|
@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} |
|
|
} |
|
|
``` |
|
|
|
|
|
<!-- |
|
|
## Glossary |
|
|
|
|
|
*Clearly define terms in order to be accessible across audiences.* |
|
|
--> |
|
|
|
|
|
<!-- |
|
|
## Model Card Authors |
|
|
|
|
|
*Lists the people who create the model card, providing recognition and accountability for the detailed work that goes into its construction.* |
|
|
--> |
|
|
|
|
|
<!-- |
|
|
## Model Card Contact |
|
|
|
|
|
*Provides a way for people who have updates to the Model Card, suggestions, or questions, to contact the Model Card authors.* |
|
|
--> |
