metadata

base_model: huudan123/model_stage3_2_score
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:96895
  - loss:CosineSimilarityLoss
widget:
  - source_sentence: 'Gorgich và Pashtoon bị xử tử trong tù. '
    sentences:
      - Chỉ trích Mubarak của Ai Cập
      - NKorea xử tử chú của Kim Jong Un
      - 'Phiến quân thân Nga bắn rơi máy bay Malaysia: Ukraine'
  - source_sentence: LHQ quan ngại về khả năng vũ khí hóa học của Syria
    sentences:
      - Nhân viên bệnh viện Texas xét nghiệm dương tính với Ebola
      - Mỹ và Nga đạt thỏa thuận về vũ khí hóa học của Syria
      - Một nảy trên tấm bạt lò xo.
  - source_sentence: Chủ tịch Trung Quốc đến Argentina thăm cấp nhà nước
    sentences:
      - Ông Hollande đến thăm cấp nhà nước Mỹ
      - >-
        Bão tuyết tấn công vùng Đông Bắc nước Mỹ, năm người chết, 700.000 người
        mất điện
      - Một con chim lớn đang bay trong không trung.
  - source_sentence: Syria triển khai thêm quân bất chấp thỏa thuận hòa bình
    sentences:
      - Một cậu bé đang chơi với một.
      - >-
        Cả phiến quân và lực lượng chính phủ đều bị cáo buộc cướp bóc các ngôi
        làng ở vùng nông thôn Liberia bất chấp thỏa thuận hòa bình.
      - Một người đàn ông đang thổi sáo.
  - source_sentence: Một người đàn ông đang lắp ráp các bộ phận loa.
    sentences:
      - Một người đàn ông đang đi bộ trên vỉa hè.
      - >-
        Không phải là một câu trả lời thực sự cho câu hỏi của bạn, nhưng có lẽ
        nó sẽ giúp.
      - Một người đàn ông phun nước từ vòi cho một người đàn ông khác.
model-index:
  - name: SentenceTransformer based on huudan123/model_stage3_2_score
    results:
      - task:
          type: semantic-similarity
          name: Semantic Similarity
        dataset:
          name: sts evaluator
          type: sts-evaluator
        metrics:
          - type: pearson_cosine
            value: 0.3815738041383691
            name: Pearson Cosine
          - type: spearman_cosine
            value: 0.382323329830821
            name: Spearman Cosine
          - type: pearson_manhattan
            value: 0.4198450446326336
            name: Pearson Manhattan
          - type: spearman_manhattan
            value: 0.4097830682280972
            name: Spearman Manhattan
          - type: pearson_euclidean
            value: 0.4195429740858371
            name: Pearson Euclidean
          - type: spearman_euclidean
            value: 0.40938489178823334
            name: Spearman Euclidean
          - type: pearson_dot
            value: 0.2588766748845407
            name: Pearson Dot
          - type: spearman_dot
            value: 0.26733997459061914
            name: Spearman Dot
          - type: pearson_max
            value: 0.4198450446326336
            name: Pearson Max
          - type: spearman_max
            value: 0.4097830682280972
            name: Spearman Max

SentenceTransformer based on huudan123/model_stage3_2_score

This is a sentence-transformers model finetuned from huudan123/model_stage3_2_score. 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: huudan123/model_stage3_2_score
Maximum Sequence Length: 512 tokens
Output Dimensionality: 768 tokens
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): 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:

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("huudan123/model_stage4")
# Run inference
sentences = [
    'Một người đàn ông đang lắp ráp các bộ phận loa.',
    'Một người đàn ông đang đi bộ trên vỉa hè.',
    'Một người đàn ông phun nước từ vòi cho một người đàn ông khác.',
]
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]

Evaluation

Metrics

Semantic Similarity

Dataset: sts-evaluator
Evaluated with EmbeddingSimilarityEvaluator

Metric	Value
pearson_cosine	0.3816
spearman_cosine	0.3823
pearson_manhattan	0.4198
spearman_manhattan	0.4098
pearson_euclidean	0.4195
spearman_euclidean	0.4094
pearson_dot	0.2589
spearman_dot	0.2673
pearson_max	0.4198
spearman_max	0.4098

Training Details

Training Hyperparameters

Non-Default Hyperparameters

overwrite_output_dir: True
eval_strategy: epoch
per_device_train_batch_size: 128
per_device_eval_batch_size: 128
learning_rate: 1e-05
num_train_epochs: 30
warmup_ratio: 0.1
fp16: True
load_best_model_at_end: True
gradient_checkpointing: True

All Hyperparameters

Click to expand

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: 1e-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: 30
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: 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

Training Logs

Epoch	Step	Training Loss	loss	sts-evaluator_spearman_max
0	0	-	-	0.8441
0.6605	500	0.023	-	-
1.0	757	-	0.013	0.7165
1.3210	1000	0.0058	-	-
1.9815	1500	0.0026	-	-
2.0	1514	-	0.0319	0.5737
2.6420	2000	0.0016	-	-
3.0	2271	-	0.0662	0.5100
3.3025	2500	0.0013	-	-
3.9630	3000	0.0011	-	-
4.0	3028	-	0.0962	0.4147
4.6235	3500	0.001	-	-
5.0	3785	-	0.0976	0.4098

The bold row denotes the saved checkpoint.

Framework Versions

Python: 3.10.12
Sentence Transformers: 3.0.1
Transformers: 4.42.4
PyTorch: 2.3.1+cu121
Accelerate: 0.33.0
Datasets: 2.20.0
Tokenizers: 0.19.1

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",
}