tranhuudan-fullstack-ai-engineer/stage1

SentenceTransformer based on vinai/phobert-base-v2

This is a sentence-transformers model finetuned from 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
• 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/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]

Evaluation

Metrics

Semantic Similarity

• Dataset: sts-dev
• Evaluated with 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

Training Details

Training Dataset

Unnamed Dataset

• Size: 102,178 training samples
• Columns: anchor, positive, and negative
• Approximate statistics based on the first 1000 samples:

  	anchor	positive	negative
  type	string	string	string
  details	min: 4 tokens mean: 27.28 tokens max: 147 tokens	min: 4 tokens mean: 14.99 tokens max: 44 tokens	min: 4 tokens mean: 14.34 tokens max: 34 tokens

• Samples:

  anchor	positive	negative
  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 .	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 .	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 .
  Cẩn_thận đấy , ông inglethorp . Poirot bị bồn_chồn .	Hãy chăm_sóc ông inglethorp .	Không cần phải cẩn_thận với anh ta .
  Phải có một_chút hoài_nghi về trải nghiệm cá_nhân của sperling với trò_chơi .	Hãy suy_nghĩ về những tác_động khi nhìn vào kinh_nghiệm của anh ấy .	Một người có_thể lấy trải nghiệm cá_nhân của sperling với giá_trị mặt .

• Loss: TripletLoss with these parameters:

  {
      "distance_metric": "TripletDistanceMetric.EUCLIDEAN",
      "triplet_margin": 5
  }
  

Evaluation Dataset

Unnamed Dataset

• Size: 12,772 evaluation samples
• Columns: anchor, positive, and negative
• Approximate statistics based on the first 1000 samples:

  	anchor	positive	negative
  type	string	string	string
  details	min: 4 tokens mean: 27.81 tokens max: 164 tokens	min: 3 tokens mean: 14.94 tokens max: 42 tokens	min: 4 tokens mean: 14.4 tokens max: 39 tokens

• Samples:

  anchor	positive	negative
  Tình_yêu , anh có muốn em trở_thành kassandra lubbock của anh không ?	Tôi có_thể là kassandra lubbock của anh .	Tôi từ_chối trở_thành kassandra lubbock của anh .
  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 .	Nhân_viên nrc đã được hỏi về quan_điểm của họ trên văn_hóa an_toàn của đại_lý .	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 .
  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 .	Tài_năng mới đến edinburgh .	Tài_năng mới đến dublin .

• Loss: TripletLoss with these parameters:

  {
      "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

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: 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

Training Logs

Click to expand

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.

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

@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

@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}
}