checkpoint-240-aixr / README.md
Omerhan's picture
Add new SentenceTransformer model.
687b00d verified
metadata
language:
  - tr
license: apache-2.0
tags:
  - sentence-transformers
  - sentence-similarity
  - feature-extraction
  - generated_from_trainer
  - dataset_size:19931
  - loss:MultipleNegativesRankingLoss
base_model: intfloat/multilingual-e5-large-instruct
widget:
  - source_sentence: En yakın restoranı bulun.
    sentences:
      - '"Hangi parkurlarda yürüyüş yapmayı tercih ediyorsun?"'
      - Brooklyn, NY
      - >-
        En yakın restoranı bulmak için aşağıdaki yöntemleri kullanabilirsiniz:


        1. **Harita Uygulamaları**: Google Maps veya Apple Maps gibi harita
        uygulamaları, yakınınızdaki restoranları listeleyebilir. Bu
        uygulamalarda "restoran" araması yaparak konumunuza en yakın seçenekleri
        görüntüleyebilirsiniz.


        2. **Yelp veya TripAdvisor**: Bu uygulamalar, kullanıcı yorumları ve
        puanlamalarına göre restoranları sıralayarak en iyi seçenekleri
        bulmanızı sağlar.


        3. **OpenTable**: Bu uygulama, özellikle restoran rezervasyonu yapmak
        isterseniz faydalı olabilir.


        Brooklyn, NY'de birçok restoran seçeneği bulunmaktadır, bu yüzden
        belirli bir tür mutfak veya yemek arıyorsanız aramanızı daraltmak iyi
        bir strateji olabilir.
  - source_sentence: >-
      Verilen cümlede tek tırnak işaretlerini (') çift tırnak işaretleriyle (")
      değiştirin.
    sentences:
      - >-
        Verilen doğrusal sistemi çözmek için iki denklem arasında eliminasyon
        veya yerine koyma yöntemlerinden birini kullanabiliriz. Burada yerine
        koyma yöntemini kullanarak çözelim.


        1. İlk denklemden y'yi yalnız bırakın:


        \[ 2x + y = 5 \] 


        Buradan, \[ y = 5 - 2x \] olur.


        2. Bulduğumuz \( y = 5 - 2x \) ifadesini ikinci denklemde yerine koyun:


        \[ -x + 3y = 4 \]


        \[ -x + 3(5 - 2x) = 4 \]


        3. Dağıtımı yapalım:


        \[ -x + 15 - 6x = 4 \]


        4. Benzer terimleri toplayalım:


        \[ -7x + 15 = 4 \]


        5. Her iki taraftan 15 çıkarın:


        \[ -7x = 4 - 15 \]


        \[ -7x = -11 \]


        6. Her iki tarafı da -7'ye bölün:


        \[ x = \frac{-11}{-7} \]


        \[ x = \frac{11}{7} \]


        7. Bulduğumuz \( x \) değerini \( y = 5 - 2x \) ifadesinde yerine koyun:


        \[ y = 5 - 2\left(\frac{11}{7}\right) \]


        \[ y = 5 - \frac{22}{7} \]


        \[ y = \frac{35}{7} - \frac{22}{7} \]


        \[ y = \frac{13}{7} \]


        Bu durumda doğrusal sistemin çözümü:


        \[ x = \frac{11}{7} \] ve \[ y = \frac{13}{7} \] olur.
      - ABD'de, KIPP bir "kamu-özel ortaklığıdır".
      - ABD'de, KIPP bir 'kamu-özel ortaklığıdır'.
  - source_sentence: |-
      Bir saatin fiyatı 50 dolardır.
      (50 dolarlık saat)
    sentences:
      - Etkinliğe katıldı.
      - Ev sahibi takımın zaferi
      - >-
        Sanırım iki farklı konudan bahsediyorsunuz: biri bir saat fiyatı, diğeri
        ise ev sahibi takımın zaferi. Bu konulardan hangisi hakkında daha fazla
        bilgi almak istersiniz? Ya da her iki konuyu kapsayan belirli bir
        sorunuz var mı?
  - source_sentence: Yakındaki bir restoran bulun, <insert cuisine> mutfağı sunan.
    sentences:
      - >-
        Kuadratik denklemi çözmek için diskriminant yöntemini kullanabiliriz.
        Genel formdaki bir kuadratik denklem \( ax^2 + bx + c = 0 \)
        şeklindedir. Burada, \( a = 3 \), \( b = 7 \) ve \( c = -4 \) olarak
        verilmiştir.


        Diskriminant (\( \Delta \)), \( b^2 - 4ac \) formülü ile hesaplanır:


        \[

        \Delta = 7^2 - 4 \cdot 3 \cdot (-4) = 49 + 48 = 97

        \]


        Diskriminant pozitif olduğundan, iki gerçek ve farklı kök vardır.
        Kuadratik formül kullanılarak kökler bulunabilir:


        \[

        x = \frac{-b \pm \sqrt{\Delta}}{2a}

        \]


        Bu formüle bağlı olarak kökleri bulalım:


        \[

        x_1 = \frac{-7 + \sqrt{97}}{6}

        \]


        \[

        x_2 = \frac{-7 - \sqrt{97}}{6}

        \]


        Bu, orijinal denklemin iki çözümünü verir:


        \[

        x_1 = \frac{-7 + \sqrt{97}}{6} \quad \text{ve} \quad x_2 = \frac{-7 -
        \sqrt{97}}{6}

        \]
      - >-
        Üzgünüm, yakındaki restoranları veya mekanları aramak gibi anlık coğrafi
        konum verilerine erişimim yok. Ancak, İtalyan mutfağından bir yemek
        tarifi verebilirim! İşte klasik bir İtalyan tarifi: Spaghetti Aglio e
        Olio.


        ### Spaghetti Aglio e Olio Tarifi


        #### Malzemeler:

        - 400 gram spagetti

        - 4-5 diş sarımsak

        - 1/2 çay bardağı zeytinyağı

        - 1/2 çay kaşığı kırmızı pul biber (isteğe bağlı)

        - Tuz

        - Karabiber

        - Yarım demet taze maydanoz

        - Üzeri için rendelenmiş Parmesan peyniri (isteğe bağlı)


        #### Yapılışı:

        1. **Spagettiyi Haşlayın**: Büyük bir tencerede suyu kaynatın. Kaynayan
        suya yeterince tuz ekleyin ve spagettiyi pakette belirtilen süreye göre
        al dente (dişe gelir) şekilde haşlayın. Haşlandıktan sonra makarnanın
        suyundan bir bardak ayırın ve makarnayı süzün.


        2. **Sarımsak ve Zeytinyağını Hazırlayın**: Sarımsakları ince ince
        dilimleyin. Geniş bir tavada, düşük ateşte zeytinyağını ısıtın.
        Sarımsakları ekleyin ve altın rengi alana kadar yavaşça soteleyin. Eğer
        biraz acı seviyorsanız kırmızı pul biberi de bu aşamada
        ekleyebilirsiniz.


        3. **Makarnayı Karıştırın**: Haşlanmış ve süzülmüş makarnayı tavadaki
        sarımsaklı zeytinyağının içine ekleyin. Ayırdığınız makarna suyundan da
        azar azar ekleyerek karıştırın. Tuz ve karabiber ile tatlandırın.


        4. **Servis Edin**: İnce kıyılmış taze maydanozu makarnanın üzerine
        serpin ve karıştırın. İsterseniz üzerine rendelenmiş Parmesan peyniri de
        ekleyerek servis yapın.


        Afiyet olsun! Bu basit ama lezzetli İtalyan yemeği, hızlı bir akşam
        yemeği için harika bir seçenektir.
      - <ekle yemek tarifi> - İtalyan
  - source_sentence: Bu cümleyi etken bir yapı kullanarak yeniden yazın.
    sentences:
      - Kaptan tekneyi çarptı.
      - >-
        Verilen listeyi sıralamak için basit bir sıralama algoritmasının nasıl
        çalıştığını açıklayayım. Örnek olarak "Seçmeli Sıralama" (Selection
        Sort) algoritmasını kullanabiliriz. Bu algoritma, her adımda dizinin
        geri kalan kısmından en küçük (veya en büyük) öğeyi seçip, bunu
        sıralanmamış bölümün başına yerleştirir. İşte adım adım nasıl çalıştığı:


        1. **Başla**: İlk öğeden başlayarak liste üzerinde ilerle.


        2. **En küçük elemanı bul**: 
           - Mevcut konumdan başlayarak geri kalan elemanlar arasında en küçük değeri bul.
           - Listenin ilk konumunda (0 indeksli) başla ve bu elemanı hafızada "şimdilik en küçük" olarak tut.

        3. **Yer değiştir**:
           - Geri kalan elemanlar arasında bulunmuş olan en küçük değeri, mevcut konumda olan elemanla yer değiştir.

        4. **Sonraki pozisyona geç**:
           - Bir konum ilerle ve 2. adımdan itibaren devam et.

        5. **Bittiğinde**: Liste baştan sona kontrol edildiğinde ve tüm
        elemanlar sırasıyla yerleştirildiğinde, işlem tamamlanmıştır.


        Verilen örnek [4, 1, 6, 5, 2] listesi üzerinden bunu adım adım
        uygulayalım:


        - Başlangıç listesi: [4, 1, 6, 5, 2]


        **1. Adım:**

        - En küçük eleman 1, onu ilk pozisyondaki 4 ile değiştir.

        - Liste: [1, 4, 6, 5, 2]


        **2. Adım:**

        - Kalan liste [4, 6, 5, 2] içinde en küçük eleman 2, bunu 4 ile
        değiştir.

        - Liste: [1, 2, 6, 5, 4]


        **3. Adım:**

        - Kalan liste [6, 5, 4] içinde en küçük eleman 4, bunu 6 ile değiştir.

        - Liste: [1, 2, 4, 5, 6]


        **4. Adım:**

        - Kalan liste [5, 6] içinde en küçük eleman 5, bu zaten yerinde.

        - Liste: [1, 2, 4, 5, 6]


        **5. Adım:**

        - Tek kalan eleman 6, o da yerinde. Sıralama tamamlandı.


        Bu algoritmanın zaman karmaşıklığı \(O(n^2)\) olduğundan, daha büyük
        listelerde daha verimli bir algoritma kullanmak isteyebilirsiniz,
        örneğin Hızlı Sıralama (Quick Sort) veya Birleştirme Sıralaması (Merge
        Sort). Ancak, küçük listeler için Seçmeli Sıralama anlaşılır ve
        yeterlidir.
      - Tekne kaptan tarafından çarpıldı.
pipeline_tag: sentence-similarity
library_name: sentence-transformers

intfloat-fine-tuned

This is a sentence-transformers model finetuned from intfloat/multilingual-e5-large-instruct on the json dataset. It maps sentences & paragraphs to a 1024-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: intfloat/multilingual-e5-large-instruct
  • Maximum Sequence Length: 512 tokens
  • Output Dimensionality: 1024 tokens
  • Similarity Function: Cosine Similarity
  • Training Dataset:
    • json
  • Language: tr
  • License: apache-2.0

Model Sources

Full Model Architecture

SentenceTransformer(
  (0): Transformer({'max_seq_length': 512, 'do_lower_case': False}) with Transformer model: XLMRobertaModel 
  (1): Pooling({'word_embedding_dimension': 1024, '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): Normalize()
)

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("Omerhan/checkpoint-240-aixr")
# Run inference
sentences = [
    'Bu cümleyi etken bir yapı kullanarak yeniden yazın.',
    'Kaptan tekneyi çarptı.',
    'Tekne kaptan tarafından çarpıldı.',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 1024]

# Get the similarity scores for the embeddings
similarities = model.similarity(embeddings, embeddings)
print(similarities.shape)
# [3, 3]

Training Details

Training Dataset

json

  • Dataset: json
  • Size: 19,931 training samples
  • Columns: anchor, positive, and negative
  • Approximate statistics based on the first 1000 samples:
    anchor positive negative
    type string string string
    details
    • min: 7 tokens
    • mean: 15.25 tokens
    • max: 160 tokens
    • min: 3 tokens
    • mean: 128.76 tokens
    • max: 512 tokens
    • min: 3 tokens
    • mean: 16.82 tokens
    • max: 185 tokens
  • Samples:
    anchor positive negative
    Tek farklı olanı belirleyin. Tek farklı olan Telegram'dır. Bunun sebebi, Twitter ve Instagram'ın ana odaklarının sosyal medya platformları olması ve daha çok kullanıcıların içerik paylaşımına odaklanması iken, Telegram'ın öncelikli olarak bir mesajlaşma uygulaması olmasıdır. Telegram, kullanıcılar arasında mesajlaşma, medya dosyaları paylaşma ve grup sohbetleri oluşturma gibi özelliklerle öne çıkar. Twitter, Instagram, Telegram
    Aşağıdaki cümleyi etken çatı kullanarak yeniden yazın. Kaptan haber raporunu okudu. Haber raporu kaptan tarafından okundu.
    Bu cümleyi yazım ve dilbilgisi hataları için değerlendirin. Bu cümlede yazım ve dilbilgisi açısından herhangi bir hata bulunmamaktadır. Cümle doğru bir şekilde yazılmıştır. O yemeğini bitirdi ve restorandan ayrıldı.
  • Loss: MultipleNegativesRankingLoss with these parameters:
    {
        "scale": 20.0,
        "similarity_fct": "cos_sim"
    }
    

Training Hyperparameters

Non-Default Hyperparameters

  • gradient_accumulation_steps: 8
  • learning_rate: 1e-06
  • num_train_epochs: 1
  • lr_scheduler_type: cosine
  • warmup_ratio: 0.01
  • tf32: True
  • optim: adamw_torch_fused
  • batch_sampler: no_duplicates

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: 8
  • eval_accumulation_steps: None
  • torch_empty_cache_steps: None
  • learning_rate: 1e-06
  • weight_decay: 0.0
  • adam_beta1: 0.9
  • adam_beta2: 0.999
  • adam_epsilon: 1e-08
  • max_grad_norm: 1.0
  • num_train_epochs: 1
  • max_steps: -1
  • lr_scheduler_type: cosine
  • lr_scheduler_kwargs: {}
  • warmup_ratio: 0.01
  • 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: True
  • 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_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: False
  • hub_always_push: False
  • gradient_checkpointing: False
  • 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
  • use_liger_kernel: False
  • eval_use_gather_object: False
  • batch_sampler: no_duplicates
  • multi_dataset_batch_sampler: proportional

Framework Versions

  • Python: 3.11.11
  • Sentence Transformers: 3.1.1
  • Transformers: 4.45.2
  • PyTorch: 2.5.1+cu124
  • Accelerate: 1.2.1
  • Datasets: 3.2.0
  • Tokenizers: 0.20.3

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}
}