|
--- |
|
tags: |
|
- sentence-transformers |
|
- sentence-similarity |
|
- feature-extraction |
|
- generated_from_trainer |
|
- dataset_size:5000000 |
|
- loss:MarginMSELoss |
|
base_model: sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2 |
|
widget: |
|
- source_sentence: من هو زوج صوفيا فيرغارا |
|
sentences: |
|
- 'عرض كل الصور ( 52 ) صوفيا فيرجارا متزوجة حاليا من جو مانجانييلو . لقد كانت في |
|
تسع علاقات مع المشاهير بمتوسط حوالي 3 . 1 سنوات لكل منها . كان متوسط زواجها 2 |
|
. 2 سنة لكل منهما . الاسم المعطى : صوفيا مارجريتا فيرجارا .' |
|
- ما الذي ترمز إليه السلطة الفلسطينية في Lawyer Name PA ؟ وباستخدام هذه الطريقة |
|
، فإن PA تعني النقابة المهنية . السلطة الفلسطينية هي شركة مكونة من محترفين مثل |
|
المحامين وأطباء الأسنان والأطباء . |
|
- تشير معاني DH DH عموما إلى الزوج العزيز أو الزوج الحبيب . عادة ، هذا شكل من أشكال |
|
المودة المكتوبة التي تستخدمها الزوجات على الإنترنت عند الإشارة إلى أزواجهن . |
|
- source_sentence: أين الفيفا |
|
sentences: |
|
- هل تخطط لزيارة روسيا لحضور كأس القارات 2017 FIFA أو كأس العالم FIFA 2018 ؟ [رابط] |
|
هي البوابة السياحية للحكومة الروسية وتزود المشجعين الذين يسافرون إلى روسيا بمعلومات |
|
مفيدة عن الدولة المضيفة لكأس العالم FIFA المقبلة . |
|
- '1 أصغر لاعب أرجنتيني سجل في نهائيات كأس العالم FIFA : عمره 18 عاما و 357 يوما |
|
في عام 2006 ضد صربيا والجبل الأسود . 2 أصغر لاعب بلغ 100 مباراة دولية في تاريخ |
|
الكونميبول ( 27 عاما ، 361 يوما ) .' |
|
- Hotels Near Creation Museum مزيد من المعلومات . . يقع مقر متحف Creation في مدينة |
|
بطرسبورغ بولاية كنتاكي . من خلال الأموال الخاصة لبناء المتحف ، بدأ Young Earth |
|
Creationists ( YEC ) المتحف في عام 2011 . مفتوح للجمهور ، تم إنشاء متحف Creation |
|
لتعزيز وتثقيف الزوار حول نظرية الخلق التي تشرح أصل الأرض . الخلق كما يرويه التفسير |
|
الحرفي لسفر التكوين التوراتي . |
|
- source_sentence: ما هي صمامات الفراشة المستخدمة |
|
sentences: |
|
- سوف يتصل بك المختبر قائلا إن الأنبوب لم يكن ممتلئا وستتساءل عن السبب . تختلف إبر |
|
الفراشة لجمع الدم عن إبر الفراشة للوريد في أنها تحتوي على إبرة مغطاة بالغمد في |
|
النهاية حتى تتمكن من إرفاقها بحامل الفراغ وثقب الأنابيب . |
|
- 1 قم دائما بشحن جهازك قبل مغادرة المنزل ، خاصة في الرحلات الطويلة . 2 أحضر الشاحن |
|
معك إذا كنت ستغادر طوال الليل أو لفترة طويلة . 3 بينما من المقرر أن تدوم بطارية |
|
iPad حتى 10 ساعات ، فإن الاستخدام المتكرر سيقصر هذا الوقت بشكل كبير . كيفية إطالة |
|
عمر بطارية جهاز iPad . تماما كما هو الحال مع iPhone أو iPod Touch ، سيكون عمر |
|
بطارية iPad أقصر أثناء الاستخدام الكثيف . ومع ذلك ، هناك بعض الإجراءات التي يمكنك |
|
اتخاذها للحفاظ على جهازك قيد التشغيل ونشطا لساعات من الاستمتاع ، وتوضح هذه المقالة |
|
ما يمكنك القيام به لإطالة عمر البطارية . |
|
- صمامات AWWA الفراشة عبارة عن صمامات سريعة الفتح تتكون من قرص دائري معدني أو ريشة |
|
مع محاورها المحورية بزوايا قائمة لاتجاه التدفق في الأنبوب ، والتي عند تدويرها |
|
على عمود ، تسد المقاعد في جسم الصمام . تستخدم عادة كصمامات خنق للتحكم في التدفق |
|
. |
|
- source_sentence: ما هو طلاء تمبرا |
|
sentences: |
|
- يحفظ . غالبا ما يشار إليه باسم طلاء الملصقات ، وهو عبارة عن صبغة مائية ممزوجة |
|
بعامل ربط كيميائي . يستخدم على نطاق واسع لمشاريع الأطفال والحرف اليدوية بسبب مرونته |
|
وألوانه الزاهية وسهولة استخدامه . يتوفر طلاء تمبرا أيضا في مسحوق ، والذي يصبح |
|
جاهزا للطلاء عند مزجه بالماء . |
|
- يتم تحديث ألوان الطلاء الأكثر مبيعا لدينا يوميا لمنحك أحدث اتجاهات ألوان الطلاء |
|
. تحقق من ألوان الطلاء الأكثر شيوعا لدينا وابحث عن اللون المناسب لك . يتم تحديث |
|
ألوان الطلاء الأكثر مبيعا لدينا يوميا لمنحك أحدث اتجاهات ألوان الطلاء . تحقق من |
|
ألوان الطلاء الأكثر شيوعا لدينا وابحث عن اللون المناسب لك . |
|
- 'لغة إجرائية . تم التحديث : 04 - 26 - 2017 بواسطة . اللغة الإجرائية هي لغة برمجة |
|
كمبيوتر تتبع بالترتيب مجموعة من الأوامر . من أمثلة اللغات الإجرائية للكمبيوتر |
|
BASIC و C و FORTRAN و Pascal . شروط البرمجة' |
|
- source_sentence: تحديد المسح |
|
sentences: |
|
- المسح أو مسح الأراضي هو تقنية ومهنة وعلم تحديد المواقع الأرضية أو ثلاثية الأبعاد |
|
للنقاط والمسافات والزوايا بينها . يطلق على أخصائي مسح الأراضي اسم مساح الأراضي |
|
. |
|
- جمعية إعادة تأهيل العظام ( ORA ) هي فريق من المتخصصين في العلاج الطبيعي في كولورادو |
|
سبرينغز . سيساعدك هؤلاء المتخصصون في التغلب على القيود الجسدية لمساعدتك على العودة |
|
إلى أعلى مستوى ممكن من الوظائف . |
|
- إجمالي المحطات . تعد المحطات الإجمالية واحدة من أكثر أدوات المسح شيوعا المستخدمة |
|
اليوم . وهي تتألف من جهاز ثيودوليت إلكتروني ومكون إلكتروني لقياس المسافة ( EDM |
|
) . تتوفر أيضا محطات روبوتية كاملة تتيح التشغيل لشخص واحد من خلال التحكم في الجهاز |
|
باستخدام جهاز التحكم عن بعد . تاريخ |
|
datasets: |
|
- hatemestinbejaia/ExperimentDATA_knowledge_distillation_vs_fine_tuning |
|
pipeline_tag: sentence-similarity |
|
library_name: sentence-transformers |
|
metrics: |
|
- map |
|
- mrr@10 |
|
- ndcg@10 |
|
model-index: |
|
- name: SentenceTransformer based on sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2 |
|
results: |
|
- task: |
|
type: reranking |
|
name: Reranking |
|
dataset: |
|
name: Unknown |
|
type: unknown |
|
metrics: |
|
- type: map |
|
value: 0.5704779578020837 |
|
name: Map |
|
- type: mrr@10 |
|
value: 0.5740859788359789 |
|
name: Mrr@10 |
|
- type: ndcg@10 |
|
value: 0.6392223802260459 |
|
name: Ndcg@10 |
|
--- |
|
|
|
# SentenceTransformer based on sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2 |
|
|
|
This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2](https://huggingface.co/sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2) on the [experiment_data_knowledge_distillation_vs_fine_tuning](https://huggingface.co/datasets/hatemestinbejaia/ExperimentDATA_knowledge_distillation_vs_fine_tuning) dataset. It maps sentences & paragraphs to a 384-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:** [sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2](https://huggingface.co/sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2) <!-- at revision 8d6b950845285729817bf8e1af1861502c2fed0c --> |
|
- **Maximum Sequence Length:** 128 tokens |
|
- **Output Dimensionality:** 384 dimensions |
|
- **Similarity Function:** Cosine Similarity |
|
- **Training Dataset:** |
|
- [experiment_data_knowledge_distillation_vs_fine_tuning](https://huggingface.co/datasets/hatemestinbejaia/ExperimentDATA_knowledge_distillation_vs_fine_tuning) |
|
<!-- - **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': 128, 'do_lower_case': False}) with Transformer model: BertModel |
|
(1): Pooling({'word_embedding_dimension': 384, '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("hatemestinbejaia/mmarco-Arabic-mMiniLML-bi-encoder-KD-v1-1Student_TripletLoss-0Teacher_marginloss-adptativeMargin") |
|
# Run inference |
|
sentences = [ |
|
'تحديد المسح', |
|
'المسح أو مسح الأراضي هو تقنية ومهنة وعلم تحديد المواقع الأرضية أو ثلاثية الأبعاد للنقاط والمسافات والزوايا بينها . يطلق على أخصائي مسح الأراضي اسم مساح الأراضي .', |
|
'إجمالي المحطات . تعد المحطات الإجمالية واحدة من أكثر أدوات المسح شيوعا المستخدمة اليوم . وهي تتألف من جهاز ثيودوليت إلكتروني ومكون إلكتروني لقياس المسافة ( EDM ) . تتوفر أيضا محطات روبوتية كاملة تتيح التشغيل لشخص واحد من خلال التحكم في الجهاز باستخدام جهاز التحكم عن بعد . تاريخ', |
|
] |
|
embeddings = model.encode(sentences) |
|
print(embeddings.shape) |
|
# [3, 384] |
|
|
|
# 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 |
|
|
|
#### Reranking |
|
|
|
* Evaluated with [<code>RerankingEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.RerankingEvaluator) |
|
|
|
| Metric | Value | |
|
|:--------|:-----------| |
|
| **map** | **0.5705** | |
|
| mrr@10 | 0.5741 | |
|
| ndcg@10 | 0.6392 | |
|
|
|
<!-- |
|
## 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 |
|
|
|
#### experiment_data_knowledge_distillation_vs_fine_tuning |
|
|
|
* Dataset: [experiment_data_knowledge_distillation_vs_fine_tuning](https://huggingface.co/datasets/hatemestinbejaia/ExperimentDATA_knowledge_distillation_vs_fine_tuning) at [4fe4924](https://huggingface.co/datasets/hatemestinbejaia/ExperimentDATA_knowledge_distillation_vs_fine_tuning/tree/4fe49244f850ad46129ff615fe91f524ed527518) |
|
* Size: 5,000,000 training samples |
|
* Columns: <code>query</code>, <code>pos</code>, <code>neg</code>, and <code>label</code> |
|
* Approximate statistics based on the first 1000 samples: |
|
| | query | pos | neg | label | |
|
|:--------|:----------------------------------------------------------------------------------|:------------------------------------------------------------------------------------|:------------------------------------------------------------------------------------|:--------------------------------------------------------------------| |
|
| type | string | string | string | float | |
|
| details | <ul><li>min: 4 tokens</li><li>mean: 11.14 tokens</li><li>max: 29 tokens</li></ul> | <ul><li>min: 13 tokens</li><li>mean: 93.26 tokens</li><li>max: 128 tokens</li></ul> | <ul><li>min: 17 tokens</li><li>mean: 87.26 tokens</li><li>max: 128 tokens</li></ul> | <ul><li>min: -2.88</li><li>mean: 12.91</li><li>max: 21.92</li></ul> | |
|
* Samples: |
|
| query | pos | neg | label | |
|
|:------------------------------------------------|:----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:--------------------------------| |
|
| <code>القليل من الكافيين جيد أثناء الحمل</code> | <code>نحن لا نعرف الكثير عن تأثيرات الكافيين أثناء الحمل عليك وعلى طفلك . لذلك فمن الأفضل أن تحد من المبلغ الذي تحصل عليه كل يوم . إذا كنت حاملا ، قللي من تناول الكافيين إلى 200 ملليجرام يوميا . هذا هو الكمية الموجودة في فنجان واحد سعة 8 أونصات من القهوة أو فنجان قهوة سعة 12 أونصة .</code> | <code>من الآمن عموما أن تتناول النساء الحوامل الشوكولاتة لأن الدراسات أثبتت وجود فوائد معينة لتناول الشوكولاتة أثناء الحمل . ومع ذلك ، يجب على النساء الحوامل التأكد من أن تناول الكافيين أقل من 200 مجم في اليوم .</code> | <code>4.0280589908361435</code> | |
|
| <code>ما هي الفاكهة الأصلية في أستراليا</code> | <code>Passiflora herbertiana . فاكهة العاطفة النادرة موطنها أستراليا . الثمار ذات قشرة خضراء ، بيضاء اللون ، مع تصنيف غير معروف للأكل . تسرد بعض المصادر الفاكهة على أنها صالحة للأكل وحلوة ولذيذة ، بينما يسرد البعض الآخر الفاكهة على أنها مرة وغير صالحة للأكل . فاكهة العاطفة النادرة موطنها أستراليا . الثمار ذات قشرة خضراء ، بيضاء اللون ، مع تصنيف غير معروف للأكل . تسرد بعض المصادر الفاكهة على أنها صالحة للأكل وحلوة ولذيذة ، بينما يسرد البعض الآخر الفواكه على أنها مرة وغير صالحة للأكل .</code> | <code>جوز الكولا هو ثمرة شجرة الكولا ، وهي جنس ( كولا ) من الأشجار التي تنتمي إلى الغابات الاستوائية المطيرة في إفريقيا .</code> | <code>10.18145449956258</code> | |
|
| <code>ما هو حجم الجيش الكندي</code> | <code>القوات المسلحة الكندية . 1 بدأت أول مهمة حفظ سلام كندية واسعة النطاق في مصر في 24 نوفمبر 1956 . 2 هناك ما يقرب من 65000 من القوات النظامية و 25000 من أفراد الاحتياط في الجيش الكندي . 3 في كندا ، تم تحديد يوم 9 أغسطس كيوم حفظة السلام الوطنيين .</code> | <code>المعهد الكندي لصحة الأطباء ( CPHI ) هو برنامج وطني تم إنشاؤه في عام 2012 كتعاون بين الجمعية الطبية الكندية ( CMA ) والمؤسسة الطبية الكندية ( CMF ) والجمعيات الطبية الإقليمية والإقليمية ( PTMAs ) .</code> | <code>16.420575777689614</code> | |
|
* Loss: <code>__main__.MarginMSELoss</code> |
|
|
|
### Evaluation Dataset |
|
|
|
#### experiment_data_knowledge_distillation_vs_fine_tuning |
|
|
|
* Dataset: [experiment_data_knowledge_distillation_vs_fine_tuning](https://huggingface.co/datasets/hatemestinbejaia/ExperimentDATA_knowledge_distillation_vs_fine_tuning) at [4fe4924](https://huggingface.co/datasets/hatemestinbejaia/ExperimentDATA_knowledge_distillation_vs_fine_tuning/tree/4fe49244f850ad46129ff615fe91f524ed527518) |
|
* Size: 10,000 evaluation samples |
|
* Columns: <code>query</code>, <code>pos</code>, <code>neg</code>, and <code>label</code> |
|
* Approximate statistics based on the first 1000 samples: |
|
| | query | pos | neg | label | |
|
|:--------|:----------------------------------------------------------------------------------|:------------------------------------------------------------------------------------|:------------------------------------------------------------------------------------|:--------------------------------------------------------------------| |
|
| type | string | string | string | float | |
|
| details | <ul><li>min: 3 tokens</li><li>mean: 10.94 tokens</li><li>max: 33 tokens</li></ul> | <ul><li>min: 23 tokens</li><li>mean: 91.74 tokens</li><li>max: 128 tokens</li></ul> | <ul><li>min: 24 tokens</li><li>mean: 87.33 tokens</li><li>max: 128 tokens</li></ul> | <ul><li>min: -0.75</li><li>mean: 13.72</li><li>max: 22.62</li></ul> | |
|
* Samples: |
|
| query | pos | neg | label | |
|
|:-----------------------------------------------|:---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:--------------------------------| |
|
| <code>ما هو اسم د . كوين</code> | <code>اعرض الشخصيات المختلفة التي لعبها نفس الممثل . الدكتورة ميكايلا كوين . ولدت ميكايلا في 15 فبراير 1833 في بوسطن ، ماساتشوستس ، لأبوين جوزيف وإليزابيث كوين . هناك نشأت مع شقيقاتها الأربع : ماري ( التي تم تغيير اسمها إلى ريبيكا ) ، ومارجوري ، وكلوديت ، ومورين . كان والدها يريد ابنا ، لذلك عندما ولدت أطلق عليها اسم ميكايلا ( الملقب مايك ) .</code> | <code>ليس لدى د . ماكفارلاند أي تأمينات مدرجة . إذا كنت دكتور ماكفارلاند وترغب في إضافة تأمينات تقبلها ، يرجى تحديث ملفك التعريفي المجاني . الانتساب إلى المستشفى ينتمي د . ماكفارلاند إلى المستشفيات التالية .</code> | <code>15.524045944213867</code> | |
|
| <code>من يلعب دور بيرني مادوف</code> | <code>ساحر الأكاذيب هو واحد من اثنين من مشاريع Madoff التلفزيونية قيد الإعداد . ABC لديها مسلسل قصير قادم يسمى مادوف ، من بطولة ريتشارد دريفوس وبليث دانر . قصص ذات الصلة . روبرت دي نيرو يسجل الدخول للعب بيرني مادوف في فيلم HBO المحتمل .</code> | <code>اتهمت السلطات الأمريكية مسؤول تنفيذي للمحاسبة يزعم أنه ساعد برنارد مادوف في مخطط بونزي الذي تبلغ تكلفته عدة مليارات من الدولارات ، والذي يوسع نطاق تحقيقه في الاحتيال بعد خمس سنوات من اكتشافه .</code> | <code>13.17703644434611</code> | |
|
| <code>كم قدم مكعب في طن من حصى البازلاء</code> | <code>لذلك 1 طن لديه 2000 - 100 أو 20 قدم مكعب من الحصى . الفناء المكعب هو 3x3x3 = 27 قدما مكعبا من الفناء المكعب ، الإجابة 20 - 27 أو 0 . 74 ياردة مكعبة . العوامل الأخرى التي تؤثر على حجم الحصى هي محتوى الرطوبة ودرجات المواد . يحتوي حصى البازلاء على سبيل المثال على جميع الجزيئات ذات الحجم المحدد ، على سبيل المثال ، 1 - 4 بوصة ، حوالي 120 رطلا للإشارة فقط : 1 قدم مكعب = 6 . 25 جالون ( إمبراطوري ) ، جالون من الماء يزن 10 أرطال ، لذا فإن القدم المكعبة من الماء تزن 62 . 5 رطلا . هذا يعني أن الجاذبية النوعية للحصى هي 120 - 62 . 5 ، أو أقل قليلا من 2 .</code> | <code>1 كيس قدم مكعب واحد ( التربة والمهاد ) يغطي ما يقرب من 8 أقدام مربعة إلى عمق 3 . 2 كيس واحد 75 رطلا ( الحصى والرمل ) يغطي حوالي 4 أقدام مربعة إلى عمق 3 . 3 بوصات سميكة ستغطي حوالي 300 قدم مربع . سيغطي سمك 1 حوالي 150 قدما مربعا .</code> | <code>10.34702980518341</code> | |
|
* Loss: <code>__main__.MarginMSELoss</code> |
|
|
|
### Training Hyperparameters |
|
#### Non-Default Hyperparameters |
|
|
|
- `eval_strategy`: steps |
|
- `per_device_train_batch_size`: 128 |
|
- `learning_rate`: 2e-05 |
|
- `num_train_epochs`: 1 |
|
- `warmup_ratio`: 0.1 |
|
- `fp16`: True |
|
- `half_precision_backend`: amp |
|
- `remove_unused_columns`: False |
|
- `load_best_model_at_end`: True |
|
- `fp16_backend`: amp |
|
|
|
#### 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`: 8 |
|
- `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`: 1 |
|
- `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`: amp |
|
- `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`: False |
|
- `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`: 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`: amp |
|
- `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`: proportional |
|
|
|
</details> |
|
|
|
### Training Logs |
|
| Epoch | Step | Training Loss | Validation Loss | map | |
|
|:----------:|:---------:|:-------------:|:---------------:|:----------:| |
|
| 0.0512 | 2000 | 0.049 | 0.0340 | 0.4963 | |
|
| 0.1024 | 4000 | 0.0364 | 0.0296 | 0.4997 | |
|
| 0.1536 | 6000 | 0.0323 | 0.0277 | 0.5354 | |
|
| 0.2048 | 8000 | 0.03 | 0.0254 | 0.5346 | |
|
| 0.2560 | 10000 | 0.0276 | 0.0240 | 0.5428 | |
|
| 0.3072 | 12000 | 0.0262 | 0.0225 | 0.5652 | |
|
| 0.3584 | 14000 | 0.0247 | 0.0214 | 0.5541 | |
|
| 0.4096 | 16000 | 0.0239 | 0.0204 | 0.5547 | |
|
| 0.4608 | 18000 | 0.0229 | 0.0195 | 0.5507 | |
|
| 0.5120 | 20000 | 0.0216 | 0.0187 | 0.5464 | |
|
| 0.5632 | 22000 | 0.0211 | 0.0180 | 0.5516 | |
|
| 0.6144 | 24000 | 0.0205 | 0.0175 | 0.5724 | |
|
| 0.6656 | 26000 | 0.0199 | 0.0170 | 0.5646 | |
|
| 0.7168 | 28000 | 0.0192 | 0.0164 | 0.5553 | |
|
| 0.7680 | 30000 | 0.0187 | 0.0159 | 0.5671 | |
|
| 0.8192 | 32000 | 0.0185 | 0.0159 | 0.5694 | |
|
| **0.8704** | **34000** | **0.0181** | **0.0156** | **0.5777** | |
|
| 0.9216 | 36000 | 0.0179 | 0.0154 | 0.5705 | |
|
| 0.9728 | 38000 | 0.0177 | 0.0153 | 0.5705 | |
|
|
|
* The bold row denotes the saved checkpoint. |
|
|
|
### Framework Versions |
|
- Python: 3.11.9 |
|
- Sentence Transformers: 3.4.1 |
|
- Transformers: 4.49.0 |
|
- PyTorch: 2.4.1+cu121 |
|
- Accelerate: 1.4.0 |
|
- Datasets: 3.2.0 |
|
- Tokenizers: 0.21.0 |
|
|
|
## 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", |
|
} |
|
``` |
|
|
|
#### MarginMSELoss |
|
```bibtex |
|
@misc{hofstätter2021improving, |
|
title={Improving Efficient Neural Ranking Models with Cross-Architecture Knowledge Distillation}, |
|
author={Sebastian Hofstätter and Sophia Althammer and Michael Schröder and Mete Sertkan and Allan Hanbury}, |
|
year={2021}, |
|
eprint={2010.02666}, |
|
archivePrefix={arXiv}, |
|
primaryClass={cs.IR} |
|
} |
|
@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.* |
|
--> |
