| --- |
| base_model: vinai/phobert-base-v2 |
| datasets: [] |
| language: [] |
| library_name: sentence-transformers |
| metrics: |
| - pearson_cosine |
| - spearman_cosine |
| - pearson_manhattan |
| - spearman_manhattan |
| - pearson_euclidean |
| - spearman_euclidean |
| - pearson_dot |
| - spearman_dot |
| - pearson_max |
| - spearman_max |
| pipeline_tag: sentence-similarity |
| tags: |
| - sentence-transformers |
| - sentence-similarity |
| - feature-extraction |
| - generated_from_trainer |
| - dataset_size:102178 |
| - loss:TripletLoss |
| widget: |
| - source_sentence: Bàn cho thấy các thiết_kế và sản_xuất kiến_thức cần_thiết để thực_hiện |
| nhiều quyết_định thông_báo hơn . |
| sentences: |
| - Nixon quyết_định rằng hồ chí minh có_thể ở lại miền nam Việt_Nam . |
| - Không có gì cần_thiết để đưa ra một quyết_định thông_tin . |
| - Bảng Hiển_thị thiết_kế và sản_xuất thông_tin cần_thiết để đưa ra quyết_định . |
| - source_sentence: 95 gói nước_tiểu miễn_phí trong túi của họ . |
| sentences: |
| - Tây_ban nha trượt từ vị_trí quyền_lực của họ . |
| - Đội đã bước vào phòng thí_nghiệm mang theo tổng_cộng 99 đơn_vị trong_sạch , thử_nghiệm |
| thân_thiện . |
| - Túi được yêu_cầu cho nhà toàn_bộ 95 đơn_vị phục_vụ trong_sạch nước_tiểu giữa các |
| nhà cung_cấp các sản_phẩm . |
| - source_sentence: Tuyển một chiếc xe rất đắt tiền , và những gì có để xem_thường |
| là gần những con đường chính . |
| sentences: |
| - Thuê một chiếc xe rất rẻ nhưng có_thể không đáng_giá_như những cảnh_sát ở xa con |
| đường . |
| - Có một nhà_thờ hình_tròn ở orangerie ở Paris . |
| - Thuê một chiếc xe đến với chi_phí lớn và hầu_hết các điểm đến đều gần đường . |
| - source_sentence: Người da đen là 12 phần_trăm dân_số . |
| sentences: |
| - Người da đen tạo ra 50 % tổng_số dân_số . |
| - Người Mỹ Châu_Phi là một nhóm_thiểu_số . |
| - Tôi đoán là barney fife . |
| - source_sentence: Báo đen đã editorialized chống lại những cuộc viếng_thăm của farrakhan |
| với các nhà độc_tài châu phi . |
| sentences: |
| - Báo đen đã viết về quá_khứ của farrakhan . |
| - Khi bạn đi đến radda , bạn nên kiểm_tra piccolo bảo del chianti . |
| - Báo đen từ_chối yểm_trợ cho farrakhan . |
| model-index: |
| - name: SentenceTransformer based on vinai/phobert-base-v2 |
| results: |
| - task: |
| type: semantic-similarity |
| name: Semantic Similarity |
| dataset: |
| name: sts dev |
| type: sts-dev |
| metrics: |
| - type: pearson_cosine |
| value: 0.42030854811305457 |
| name: Pearson Cosine |
| - type: spearman_cosine |
| value: 0.5147968030818376 |
| name: Spearman Cosine |
| - type: pearson_manhattan |
| value: 0.5605026901702432 |
| name: Pearson Manhattan |
| - type: spearman_manhattan |
| value: 0.5792048311109484 |
| name: Spearman Manhattan |
| - type: pearson_euclidean |
| value: 0.4710386131519505 |
| name: Pearson Euclidean |
| - type: spearman_euclidean |
| value: 0.5087153254455983 |
| name: Spearman Euclidean |
| - type: pearson_dot |
| value: 0.3923969498466928 |
| name: Pearson Dot |
| - type: spearman_dot |
| value: 0.4338097270757405 |
| name: Spearman Dot |
| - type: pearson_max |
| value: 0.5605026901702432 |
| name: Pearson Max |
| - type: spearman_max |
| value: 0.5792048311109484 |
| name: Spearman Max |
| --- |
| |
| # SentenceTransformer based on vinai/phobert-base-v2 |
|
|
| This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [vinai/phobert-base-v2](https://huggingface.co/vinai/phobert-base-v2). 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:** [vinai/phobert-base-v2](https://huggingface.co/vinai/phobert-base-v2) <!-- at revision 2b51e367d92093c9688112098510e6a58bab67cd --> |
| - **Maximum Sequence Length:** 512 tokens |
| - **Output Dimensionality:** 768 tokens |
| - **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': 512, 'do_lower_case': False}) with Transformer model: RobertaModel |
| (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: |
|
|
| ```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("huudan123/stage1") |
| # Run inference |
| sentences = [ |
| 'Báo đen đã editorialized chống lại những cuộc viếng_thăm của farrakhan với các nhà độc_tài châu phi .', |
| 'Báo đen đã viết về quá_khứ của farrakhan .', |
| 'Báo đen từ_chối yểm_trợ cho farrakhan .', |
| ] |
| 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 |
|
|
| #### Semantic Similarity |
| * Dataset: `sts-dev` |
| * Evaluated with [<code>EmbeddingSimilarityEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.EmbeddingSimilarityEvaluator) |
|
|
| | Metric | Value | |
| |:--------------------|:-----------| |
| | pearson_cosine | 0.4203 | |
| | **spearman_cosine** | **0.5148** | |
| | pearson_manhattan | 0.5605 | |
| | spearman_manhattan | 0.5792 | |
| | pearson_euclidean | 0.471 | |
| | spearman_euclidean | 0.5087 | |
| | pearson_dot | 0.3924 | |
| | spearman_dot | 0.4338 | |
| | pearson_max | 0.5605 | |
| | spearman_max | 0.5792 | |
| |
| <!-- |
| ## 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: 102,178 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: 4 tokens</li><li>mean: 27.28 tokens</li><li>max: 147 tokens</li></ul> | <ul><li>min: 4 tokens</li><li>mean: 14.99 tokens</li><li>max: 44 tokens</li></ul> | <ul><li>min: 4 tokens</li><li>mean: 14.34 tokens</li><li>max: 34 tokens</li></ul> | |
| * Samples: |
| | anchor | positive | negative | |
| |:--------------------------------------------------------------------------------------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:----------------------------------------------------------------------------------------------------------------------------------------------------------| |
| | <code>Tem đầy màu_sắc của madeira , cũng như tiền xu , ghi_chép ngân_hàng , và các mặt_hàng khác như bưu_thiếp là mối quan_tâm đến nhiều nhà sưu_tập .</code> | <code>Các nhà sưu_tập sẽ thích ghé thăm madeira bởi_vì những phân_chia lớn của tem , ghi_chép ngân_hàng , bưu_thiếp , và nhiều mặt_hàng khác họ có_thể đọc được .</code> | <code>Mọi người quan_tâm đến việc bắt_đầu bộ sưu_tập mới nên thoát madeira và đi du_lịch phía bắc , nơi họ có khả_năng tìm thấy các cửa_hàng tốt .</code> | |
| | <code>Cẩn_thận đấy , ông inglethorp . Poirot bị bồn_chồn .</code> | <code>Hãy chăm_sóc ông inglethorp .</code> | <code>Không cần phải cẩn_thận với anh ta .</code> | |
| | <code>Phải có một_chút hoài_nghi về trải nghiệm cá_nhân của sperling với trò_chơi .</code> | <code>Hãy suy_nghĩ về những tác_động khi nhìn vào kinh_nghiệm của anh ấy .</code> | <code>Một người có_thể lấy trải nghiệm cá_nhân của sperling với giá_trị mặt .</code> | |
| * Loss: [<code>TripletLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#tripletloss) with these parameters: |
| ```json |
| { |
| "distance_metric": "TripletDistanceMetric.EUCLIDEAN", |
| "triplet_margin": 5 |
| } |
| ``` |
|
|
| ### Evaluation Dataset |
|
|
| #### Unnamed Dataset |
|
|
|
|
| * Size: 12,772 evaluation 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: 4 tokens</li><li>mean: 27.81 tokens</li><li>max: 164 tokens</li></ul> | <ul><li>min: 3 tokens</li><li>mean: 14.94 tokens</li><li>max: 42 tokens</li></ul> | <ul><li>min: 4 tokens</li><li>mean: 14.4 tokens</li><li>max: 39 tokens</li></ul> | |
| * Samples: |
| | anchor | positive | negative | |
| |:----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:---------------------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------------------------------------------------| |
| | <code>Tình_yêu , anh có muốn em trở_thành kassandra lubbock của anh không ?</code> | <code>Tôi có_thể là kassandra lubbock của anh .</code> | <code>Tôi từ_chối trở_thành kassandra lubbock của anh .</code> | |
| | <code>Ví_dụ , trong mùa thu năm 1997 , ủy ban điều_trị hạt_nhân ( nrc ) văn_phòng thanh_tra tướng liệu nrc để có được quan_điểm của họ trên văn_hóa an_toàn của đại_lý .</code> | <code>Nhân_viên nrc đã được hỏi về quan_điểm của họ trên văn_hóa an_toàn của đại_lý .</code> | <code>Các nhân_viên không bao_giờ quan_sát về quan_điểm của họ về văn_hóa an_toàn của đại_lý trong mùa thu năm 1997 .</code> | |
| | <code>Mỗi năm kem của trẻ nghệ và comedic tài_năng làm cho nó đường đến edinburgh , và fringe đã lớn lên trong việc huấn_luyện lớn nhất trong khung_cảnh lớn nhất cho các diễn_viên phát_triển trên thế_giới .</code> | <code>Tài_năng mới đến edinburgh .</code> | <code>Tài_năng mới đến dublin .</code> | |
| * Loss: [<code>TripletLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#tripletloss) with these parameters: |
| ```json |
| { |
| "distance_metric": "TripletDistanceMetric.EUCLIDEAN", |
| "triplet_margin": 5 |
| } |
| ``` |
|
|
| ### Training Hyperparameters |
| #### Non-Default Hyperparameters |
|
|
| - `overwrite_output_dir`: True |
| - `eval_strategy`: epoch |
| - `per_device_train_batch_size`: 128 |
| - `per_device_eval_batch_size`: 128 |
| - `num_train_epochs`: 20 |
| - `lr_scheduler_type`: cosine |
| - `warmup_ratio`: 0.05 |
| - `fp16`: True |
| - `load_best_model_at_end`: True |
| - `gradient_checkpointing`: True |
|
|
| #### All Hyperparameters |
| <details><summary>Click to expand</summary> |
|
|
| - `overwrite_output_dir`: True |
| - `do_predict`: False |
| - `eval_strategy`: epoch |
| - `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 |
| - `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`: 20 |
| - `max_steps`: -1 |
| - `lr_scheduler_type`: cosine |
| - `lr_scheduler_kwargs`: {} |
| - `warmup_ratio`: 0.05 |
| - `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`: False |
| - `resume_from_checkpoint`: None |
| - `hub_model_id`: None |
| - `hub_strategy`: every_save |
| - `hub_private_repo`: False |
| - `hub_always_push`: False |
| - `gradient_checkpointing`: True |
| - `gradient_checkpointing_kwargs`: None |
| - `include_inputs_for_metrics`: False |
| - `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 |
| - `batch_sampler`: batch_sampler |
| - `multi_dataset_batch_sampler`: proportional |
|
|
| </details> |
|
|
| ### Training Logs |
| <details><summary>Click to expand</summary> |
|
|
| | Epoch | Step | Training Loss | loss | sts-dev_spearman_cosine | |
| |:-------:|:--------:|:-------------:|:----------:|:-----------------------:| |
| | 0 | 0 | - | - | 0.6643 | |
| | 0.0626 | 50 | 4.6946 | - | - | |
| | 0.1252 | 100 | 4.031 | - | - | |
| | 0.1877 | 150 | 2.7654 | - | - | |
| | 0.2503 | 200 | 2.4176 | - | - | |
| | 0.3129 | 250 | 2.1111 | - | - | |
| | 0.3755 | 300 | 2.0263 | - | - | |
| | 0.4380 | 350 | 1.9296 | - | - | |
| | 0.5006 | 400 | 1.7793 | - | - | |
| | 0.5632 | 450 | 1.7903 | - | - | |
| | 0.6258 | 500 | 1.7638 | - | - | |
| | 0.6884 | 550 | 1.7042 | - | - | |
| | 0.7509 | 600 | 1.7038 | - | - | |
| | 0.8135 | 650 | 1.6221 | - | - | |
| | 0.8761 | 700 | 1.6172 | - | - | |
| | 0.9387 | 750 | 1.6227 | - | - | |
| | 1.0 | 799 | - | 1.5275 | 0.5219 | |
| | 1.0013 | 800 | 1.6264 | - | - | |
| | 1.0638 | 850 | 1.364 | - | - | |
| | 1.1264 | 900 | 1.4447 | - | - | |
| | 1.1890 | 950 | 1.4161 | - | - | |
| | 1.2516 | 1000 | 1.3575 | - | - | |
| | 1.3141 | 1050 | 1.3554 | - | - | |
| | 1.3767 | 1100 | 1.378 | - | - | |
| | 1.4393 | 1150 | 1.3806 | - | - | |
| | 1.5019 | 1200 | 1.3089 | - | - | |
| | 1.5645 | 1250 | 1.4314 | - | - | |
| | 1.6270 | 1300 | 1.3672 | - | - | |
| | 1.6896 | 1350 | 1.3777 | - | - | |
| | 1.7522 | 1400 | 1.3282 | - | - | |
| | 1.8148 | 1450 | 1.3432 | - | - | |
| | 1.8773 | 1500 | 1.3101 | - | - | |
| | 1.9399 | 1550 | 1.2919 | - | - | |
| | 2.0 | 1598 | - | 1.3643 | 0.5667 | |
| | 2.0025 | 1600 | 1.2969 | - | - | |
| | 2.0651 | 1650 | 0.9629 | - | - | |
| | 2.1277 | 1700 | 0.9878 | - | - | |
| | 2.1902 | 1750 | 0.9437 | - | - | |
| | 2.2528 | 1800 | 0.9832 | - | - | |
| | 2.3154 | 1850 | 0.9584 | - | - | |
| | 2.3780 | 1900 | 1.0689 | - | - | |
| | 2.4406 | 1950 | 1.0579 | - | - | |
| | 2.5031 | 2000 | 0.9888 | - | - | |
| | 2.5657 | 2050 | 0.9452 | - | - | |
| | 2.6283 | 2100 | 0.9378 | - | - | |
| | 2.6909 | 2150 | 0.9553 | - | - | |
| | 2.7534 | 2200 | 0.9337 | - | - | |
| | 2.8160 | 2250 | 1.0184 | - | - | |
| | 2.8786 | 2300 | 0.9663 | - | - | |
| | 2.9412 | 2350 | 0.9686 | - | - | |
| | 3.0 | 2397 | - | 1.3488 | 0.5442 | |
| | 3.0038 | 2400 | 0.9618 | - | - | |
| | 3.0663 | 2450 | 0.6878 | - | - | |
| | 3.1289 | 2500 | 0.6883 | - | - | |
| | 3.1915 | 2550 | 0.6498 | - | - | |
| | 3.2541 | 2600 | 0.6651 | - | - | |
| | 3.3166 | 2650 | 0.6554 | - | - | |
| | 3.3792 | 2700 | 0.7033 | - | - | |
| | 3.4418 | 2750 | 0.6416 | - | - | |
| | 3.5044 | 2800 | 0.7068 | - | - | |
| | 3.5670 | 2850 | 0.6834 | - | - | |
| | 3.6295 | 2900 | 0.7099 | - | - | |
| | 3.6921 | 2950 | 0.7306 | - | - | |
| | 3.7547 | 3000 | 0.7105 | - | - | |
| | 3.8173 | 3050 | 0.7072 | - | - | |
| | 3.8798 | 3100 | 0.7248 | - | - | |
| | 3.9424 | 3150 | 0.7216 | - | - | |
| | **4.0** | **3196** | **-** | **1.3358** | **0.5307** | |
| | 4.0050 | 3200 | 0.693 | - | - | |
| | 4.0676 | 3250 | 0.4741 | - | - | |
| | 4.1302 | 3300 | 0.4593 | - | - | |
| | 4.1927 | 3350 | 0.449 | - | - | |
| | 4.2553 | 3400 | 0.4326 | - | - | |
| | 4.3179 | 3450 | 0.4488 | - | - | |
| | 4.3805 | 3500 | 0.4762 | - | - | |
| | 4.4431 | 3550 | 0.4723 | - | - | |
| | 4.5056 | 3600 | 0.4713 | - | - | |
| | 4.5682 | 3650 | 0.4612 | - | - | |
| | 4.6308 | 3700 | 0.4537 | - | - | |
| | 4.6934 | 3750 | 0.4928 | - | - | |
| | 4.7559 | 3800 | 0.4568 | - | - | |
| | 4.8185 | 3850 | 0.4771 | - | - | |
| | 4.8811 | 3900 | 0.4688 | - | - | |
| | 4.9437 | 3950 | 0.4549 | - | - | |
| | 5.0 | 3995 | - | 1.4027 | 0.5360 | |
| | 5.0063 | 4000 | 0.5048 | - | - | |
| | 5.0688 | 4050 | 0.2822 | - | - | |
| | 5.1314 | 4100 | 0.3069 | - | - | |
| | 5.1940 | 4150 | 0.2971 | - | - | |
| | 5.2566 | 4200 | 0.3191 | - | - | |
| | 5.3191 | 4250 | 0.3023 | - | - | |
| | 5.3817 | 4300 | 0.3224 | - | - | |
| | 5.4443 | 4350 | 0.3114 | - | - | |
| | 5.5069 | 4400 | 0.3098 | - | - | |
| | 5.5695 | 4450 | 0.3071 | - | - | |
| | 5.6320 | 4500 | 0.3478 | - | - | |
| | 5.6946 | 4550 | 0.3288 | - | - | |
| | 5.7572 | 4600 | 0.3373 | - | - | |
| | 5.8198 | 4650 | 0.3577 | - | - | |
| | 5.8824 | 4700 | 0.331 | - | - | |
| | 5.9449 | 4750 | 0.3132 | - | - | |
| | 6.0 | 4794 | - | 1.4036 | 0.5148 | |
|
|
| * The bold row denotes the saved checkpoint. |
| </details> |
|
|
| ### Framework Versions |
| - Python: 3.10.12 |
| - Sentence Transformers: 3.0.1 |
| - Transformers: 4.42.4 |
| - PyTorch: 2.3.1+cu121 |
| - Accelerate: 0.32.1 |
| - Datasets: 2.20.0 |
| - Tokenizers: 0.19.1 |
|
|
| ## 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", |
| } |
| ``` |
|
|
| #### TripletLoss |
| ```bibtex |
| @misc{hermans2017defense, |
| title={In Defense of the Triplet Loss for Person Re-Identification}, |
| author={Alexander Hermans and Lucas Beyer and Bastian Leibe}, |
| year={2017}, |
| eprint={1703.07737}, |
| archivePrefix={arXiv}, |
| primaryClass={cs.CV} |
| } |
| ``` |
|
|
| <!-- |
| ## 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.* |
| --> |
