AhmadAfles/AraGenre-v2-expanded

SentenceTransformer

This is a sentence-transformers model trained. 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
• 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): NeoWrapper(
    (model): NeoBERT(
      (encoder): Embedding(65000, 768, padding_idx=0)
      (transformer_encoder): ModuleList(
        (0-27): 28 x EncoderBlock(
          (qkv): Linear(in_features=768, out_features=2304, bias=False)
          (wo): Linear(in_features=768, out_features=768, bias=False)
          (ffn): SwiGLU(
            (w12): Linear(in_features=768, out_features=4096, bias=False)
            (w3): Linear(in_features=2048, out_features=768, bias=False)
          )
          (attention_norm): RMSNorm((768,), eps=1e-05, elementwise_affine=True)
          (ffn_norm): RMSNorm((768,), eps=1e-05, elementwise_affine=True)
        )
      )
      (layer_norm): RMSNorm((768,), eps=1e-05, elementwise_affine=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 = [
    'في النهاية، كل اكتشاف أثري هو خطوة جديدة نحو إدراك ذواتنا وتفهم رحلتنا الطويلة كبشر على هذا الكوكب.',
    'الاستعانة بصور الأقمار الصناعية تتيح لعلماء الآثار اكتشاف مستوطنات بشرية قديمة مدفونة تحت رمال الصحراء الكبرى.',
    'عشان تحافظ على نظرك وصحتك وأنت قاعد طول النهار قدام الكمبيوتر في المكتب، اتبع قاعدة 20-20-20.. يعني كل 20 دقيقة بص لحاجة بعيدة مسافة 20 قدم لمدة 20 ثانية.',
]
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]

Training Details

Training Dataset

Unnamed Dataset

• Size: 1,682 training samples
• Columns: sentence_0 and sentence_1
• Approximate statistics based on the first 1000 samples:

  	sentence_0	sentence_1
  type	string	string
  details	min: 62 characters mean: 133.96 characters max: 226 characters	min: 62 characters mean: 134.25 characters max: 244 characters

• Samples:

  sentence_0	sentence_1
  ثقافة الشركة الناشئة بتتحدد من أول 5 موظفين، اختيار الفريق هو أهم قرار هياخده المؤسس؛ لازم تختار ناس عندهم شغف وقدرة على التحمل.	الـ MVP أو المنتج الأدنى القابل للتجربة هو أهم خطوة؛ ابدأ بحل المشكلة الأساسية، وبعدين ابني باقي المميزات بناءً على ملاحظات المستخدمين.
  في النهاية، الموسيقى هي احتفال بالحياة؛ هي الطريقة التي نعبر بها عن أنفسنا عندما تعجز الكلمات عن وصف ما بداخلنا.	كتابة الأغاني هي عملية صياغة للمشاعر؛ البحث عن الكلمة الصحيحة التي تتناسب مع النغمة هي أصعب مهام الشاعر الغنائي.
  السياسة دي زي لعبة الشطرنج، خطوة واحدة غلط من الوزير ممكن تضيع مجهود سنين، والشاطر هو اللي يعرف يمتص غضب الشارع في الوقت المناسب.	العقوبات الاقتصادية المفروضة على بعض الدول غالباً ما تؤثر على المواطن البسيط والطبقات الهشة، بينما تظل النخب الحاكمة بعيدة عن تداعياتها المباشرة.

• Loss: MultipleNegativesRankingLoss with these parameters:

  {
      "scale": 20.0,
      "similarity_fct": "cos_sim"
  }
  

Training Hyperparameters

Non-Default Hyperparameters

• per_device_train_batch_size: 16
• per_device_eval_batch_size: 16
• num_train_epochs: 5
• 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: 16
• per_device_eval_batch_size: 16
• 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: 5
• 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}
• 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: False
• resume_from_checkpoint: None
• hub_model_id: None
• hub_strategy: every_save
• hub_private_repo: None
• hub_always_push: False
• 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
• dispatch_batches: None
• split_batches: 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
• eval_use_gather_object: False
• average_tokens_across_devices: False
• prompts: None
• batch_sampler: batch_sampler
• multi_dataset_batch_sampler: round_robin

Training Logs

Epoch	Step	Training Loss
4.7170	500	0.5321

Framework Versions

• Python: 3.12.13
• Sentence Transformers: 3.4.1
• Transformers: 4.49.0
• PyTorch: 2.11.0+cu128
• Accelerate: 1.14.0
• Datasets: 4.0.0
• Tokenizers: 0.21.0

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",
}

MultipleNegativesRankingLoss

@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}
}