metadata

language: []
library_name: sentence-transformers
tags:
  - sentence-transformers
  - sentence-similarity
  - feature-extraction
  - dataset_size:10K<n<100K
  - loss:SoftmaxLoss
base_model: symanto/sn-xlm-roberta-base-snli-mnli-anli-xnli
widget:
  - source_sentence: كير في أمريكا
    sentences:
      - ترامب يؤثر على الثقافة الأمريكية
      - لم يكن هناك أي صراع مع أي شخص.
      - فأخذ زوجان ضد إرادتهما بسبب صراحتهما.
  - source_sentence: الفضائح ممتعة
    sentences:
      - الناس يحبون السماء الزرقاء.
      - قد يعتبر آخرون أنفسهم اشتراكيين.
      - سبرينغر ليست شعبية.
  - source_sentence: الجميع جائعون
    sentences:
      - كان الجميع يكذبون.
      - تم سؤال الخدمة عن الرئيس الميت.
      - ستار) قاوم الربط)
  - source_sentence: لونها طبيعي.
    sentences:
      - يبقيه غبي بسيط وسوف تبدو جيدة.
      - لا أحد يحمل براءة اختراع أبداً.
      - لم تكن محامية جيدة
  - source_sentence: لام هو محافظ.
    sentences:
      - هذا الرجل محافظ
      - على الأرجح أنها ستلتصق بحشواته
      - كانت كلماتها واضحة وموجزة.
pipeline_tag: sentence-similarity

SentenceTransformer based on symanto/sn-xlm-roberta-base-snli-mnli-anli-xnli

This is a sentence-transformers model finetuned from symanto/sn-xlm-roberta-base-snli-mnli-anli-xnli. 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: symanto/sn-xlm-roberta-base-snli-mnli-anli-xnli
Maximum Sequence Length: 128 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': 128, 'do_lower_case': False}) with Transformer model: XLMRobertaModel 
  (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("sentence_transformers_model_id")
# Run inference
sentences = [
    'لام هو محافظ.',
    'هذا الرجل محافظ',
    'على الأرجح أنها ستلتصق بحشواته',
]
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]

Training Details

Training Dataset

Unnamed Dataset

Size: 25,000 training samples
Columns: premise, hypothesis, and label
Approximate statistics based on the first 1000 samples:
premise hypothesis label
type string string int
details
min: 26 tokens
mean: 85.71 tokens
max: 128 tokens

min: 6 tokens
mean: 16.85 tokens
max: 98 tokens

0: ~24.10%
1: ~32.80%
2: ~43.10%

	premise	hypothesis	label
type	string	string	int
details	min: 26 tokens mean: 85.71 tokens max: 128 tokens	min: 6 tokens mean: 16.85 tokens max: 98 tokens	0: ~24.10% 1: ~32.80% 2: ~43.10%

Samples:

premise	hypothesis	label
`Doom (منمنمة مثل DOOM) هي سلسلة من ألعاب الفيديو مطلق النار من منظور الشخص الأول التي طورتها id Software. تركز السلسلة على مآثر بحرية فضائية لم يكشف عن اسمها تعمل تحت رعاية شركة Union Aerospace Corporation (UAC) ، التي تحارب جحافل الشياطين والأجداد من أجل البقاء على قيد الحياة.`	`Doom هي أفضل لعبة مطلق النار الشخص الأول التي تم إنشاؤها`	`2`
قال مسؤولون أمريكيون إن المسؤولين العسكريين والاستخباراتيين الأمريكيين على خلاف حول اتجاه الحرب في أفغانستان ، مما يخلق مصدرًا جديدًا للاحتكاك حيث يسعى الرئيس ترامب وفريق الأمن القومي التابع له إلى إيجاد طريقة لإنهاء الصراع المستمر منذ 17 عامًا. لدى مسؤولي الاستخبارات وجهة نظر متشائمة للصراع ، وفقًا لأشخاص مطلعين على تقييم سري مستمر ، بينما يتحدى القادة العسكريون هذا الاستنتاج بحجة أن استراتيجية السيد ترامب في جنوب آسيا تعمل....	`مسؤولون عسكريون واستخباراتيون أمريكيون يتفقون على الحرب في أفغانستان`	`0`
`The Stranger Left No Card (1952) هو فيلم بريطاني قصير من إخراج ويندي توي. فاز الفيلم بجائزة أفضل خيال في مهرجان كان السينمائي 1953 ، حيث وصفه جان كوكتو بأنه "تحفة فنية". كان أول ظهور سينمائي للممثل آلان بادل.`	`ويندي توي تخرج من فيلم The Stranger Left No Card`	`2`

Loss: SoftmaxLoss

Evaluation Dataset

Unnamed Dataset

Size: 5,000 evaluation samples
Columns: premise, hypothesis, and label
Approximate statistics based on the first 1000 samples:
premise hypothesis label
type string string int
details
min: 4 tokens
mean: 32.77 tokens
max: 117 tokens

min: 5 tokens
mean: 16.72 tokens
max: 53 tokens

0: ~34.90%
1: ~32.80%
2: ~32.30%

	premise	hypothesis	label
type	string	string	int
details	min: 4 tokens mean: 32.77 tokens max: 117 tokens	min: 5 tokens mean: 16.72 tokens max: 53 tokens	0: ~34.90% 1: ~32.80% 2: ~32.30%

Samples:

premise	hypothesis	label
`هل المشكلة الآن أكثر حدة؟`	`وقد تم بالفعل حل هذه المسألة.`	`0`
`إن الخريطة التي تحتوي على ثقوب فيها هي تذكار لمعاهدة الاحترار العالمي وثغراتها التي يفترض أنها صارخة.`	`الثغرات في المعاهدة في معظمها لا يساء استخدامها.`	`2`
`يغطي The Star اعتقال جورج مايكل لتعريض نفسه في غرفة رجال في حديقة ويل روجرز التذكارية في لوس أنجلوس كما لو كان يكتب مراجعة.`	`السيد (مايكل) سيحاكم`	`2`

Loss: SoftmaxLoss

Training Hyperparameters

Non-Default Hyperparameters

eval_strategy: epoch
per_device_train_batch_size: 16
per_device_eval_batch_size: 32
gradient_accumulation_steps: 2
learning_rate: 2e-06
num_train_epochs: 5
warmup_ratio: 0.1
fp16: True
load_best_model_at_end: True
ddp_find_unused_parameters: False

All Hyperparameters

Click to expand

overwrite_output_dir: False
do_predict: False
eval_strategy: epoch
prediction_loss_only: True
per_device_train_batch_size: 16
per_device_eval_batch_size: 32
per_gpu_train_batch_size: None
per_gpu_eval_batch_size: None
gradient_accumulation_steps: 2
eval_accumulation_steps: None
learning_rate: 2e-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: 5
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: False
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
batch_sampler: batch_sampler
multi_dataset_batch_sampler: proportional

Training Logs

Epoch	Step	Training Loss	loss
0.0320	25	1.172	-
0.0640	50	1.1839	-
0.0960	75	1.1595	-
0.1280	100	1.1516	-
0.1599	125	1.1312	-
0.1919	150	1.1458	-
0.2239	175	1.1202	-
0.2559	200	1.1113	-
0.2879	225	1.0973	-
0.3199	250	1.1004	-
0.3519	275	1.0892	-
0.3839	300	1.0708	-
0.4159	325	1.0937	-
0.4479	350	1.0698	-
0.4798	375	1.0893	-
0.5118	400	1.0597	-
0.5438	425	1.0638	-
0.5758	450	1.0524	-
0.6078	475	1.0673	-
0.6398	500	1.0619	-
0.6718	525	1.0254	-
0.7038	550	1.0423	-
0.7358	575	1.0175	-
0.7678	600	1.0365	-
0.7997	625	1.0412	-
0.8317	650	1.0411	-
0.8637	675	1.0287	-
0.8957	700	1.0318	-
0.9277	725	1.0486	-
0.9597	750	1.0237	-
0.9917	775	1.0199	-
0.9994	781	-	1.1031

Framework Versions

Python: 3.10.12
Sentence Transformers: 3.0.0
Transformers: 4.41.2
PyTorch: 2.3.0+cu121
Accelerate: 0.31.0
Datasets: 2.19.1
Tokenizers: 0.19.1

Citation

BibTeX

Sentence Transformers and SoftmaxLoss

@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",
}