| | --- |
| | tags: |
| | - sentence-transformers |
| | - sentence-similarity |
| | - feature-extraction |
| | - generated_from_trainer |
| | - dataset_size:16825 |
| | - loss:MultipleNegativesRankingLoss |
| | base_model: intfloat/multilingual-e5-base |
| | widget: |
| | - source_sentence: کمپانی هند شرقی فرانسه در زمان سلطنت لویى چهاردهم، برای رقابت سیاسی، |
| | اقتصادی و استعماری با دولت بریتانیا در هندوستان تأسیس شد. |
| | sentences: |
| | - کمپانی هند شرقی فرانسه در دوره پادشاهی لوئی چهاردهم تاسیس شد. |
| | - جنگ موهاک بین کشورهای عثمانی و مجارستان رخ داد. |
| | - فخرالدین عراقی جانشین شیخ بهاء الدین زکریا ملتانی بود. |
| | - source_sentence: سرانجام پس از گذشت دو هفته از درخواست ایران، یک گروه کارشناسی که |
| | فاقد عضو کارشناس سلاحهای شیمیایی بوده، به منطقه اعزام شد و نتایج مشاهدات خود را |
| | گزارش کرد و متعاقب آن قطعنامه ٦١٢ شورای امنیت، مبنی بر محکومیت کاربرد سلاحهای |
| | شیمیایی در جنگ ایران و عراق و بدون نام بردن از عامل کشتار صادر شد. |
| | sentences: |
| | - در قطعنامه ۶۱۲ شورای امنیت کاربرد سلاحهای شیمیایی بدون نام بردن از عامل کشتار |
| | محکوم شد |
| | - در سال ۱۳۱۷ آن اصل از متمم قانون اساسی مشروطیت که به ایرانی الاصل بودن مادر ولیعهد |
| | اشاره می کند، دستخوش تغییر قرار گرفت. |
| | - به عنوان نمونههایی از ویژگی های هنرهای اسلامی می توان به متعهد و راستین، مردمی |
| | و همگانی بودن اشاره کرد. |
| | - source_sentence: در سال ۳۳۳ پیش از میلاد ، نبرد ایسوس بین سپاه اسکندر و داریوش (آخرین |
| | پادشاه هخامنشی) رخ داد، در این جنگ داریوش شکست خورد و خانواده اش شامل مادر و همسر |
| | داریوش و دختران داریوش که استاتیرا و درییه تیس بودند، همگی اسیر شدند. |
| | sentences: |
| | - خانواده داریوش در جنگ ایسوس با اسکندر اسیر شدند. |
| | - در نقاشی مکتب کوبیسم در فرانسه ظهور کرد. |
| | - این جمله که کشیشهایی که در انقلاب نیکاراگوئه نقش داشتند، پیش از پیروزی انقلاب |
| | به ایران رفت و آمد می کردند و با امام خمینی ملاقات می نمودند. از سوموزا است. |
| | - source_sentence: مطابق ماده ۶ بند ۲ میثاق حقوق مدنی – سیاسی، در سرزمینهایی که مجازات |
| | اعدام باطل نشده صدور حکم اعدام جائز نیست مگر در مورد مهمترین جنایات طبق قانون |
| | لازمالاجرا در زمان ارتکاب جنایت که آن هم نباید با مقررات این میثاق و کنوانسیونها |
| | راجع به جلوگیری و مجازات جرم کشتار دستهجمعی (ژنوسید) منافات داشته باشد. |
| | sentences: |
| | - ' طبق ماده ۶ میثاق حقوق مدنی - سیاسی، در کشورهایی که مجازات اعدام لغو نشده است، |
| | صدور حکم اعدام در مهمترین جنایات مجاز است' |
| | - مدرسه نوریه کبری جزء مدارس شام محسوب می شود. |
| | - روز بزرگداشت سهروردی ۸ مرداد است. |
| | - source_sentence: در جرائم مهمی که مجازات آنها قصاص نفس، اعدام، رجم و حبس ابد است، |
| | حتما باید وکیل در دادرسی حضور داشته باشد و اگر متهم توان تعیین وکیل برای خود را |
| | نداشته باشد، دادگاه الزاماً برای او وکیل تسخیری تعیین می کند. |
| | sentences: |
| | - تعیین وکیل تسخیری برای متهم در آن دسته از جرایم الزامی است که مجازات قانونی آنها |
| | قصاص نفس، اعدام، رجم و حبس ابد است. |
| | - در سال ۱۳۶۸ مقام نخست وزیری در ایران حذف شد. |
| | - ضعف بنیهی دفاعی ایران، نقطه امید صدام برای حمله به ایران و پیروزی سه روزه بر |
| | ایران بود |
| | pipeline_tag: sentence-similarity |
| | library_name: sentence-transformers |
| | --- |
| | |
| | # SentenceTransformer based on intfloat/multilingual-e5-base |
| |
|
| | This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [intfloat/multilingual-e5-base](https://huggingface.co/intfloat/multilingual-e5-base). 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:** [intfloat/multilingual-e5-base](https://huggingface.co/intfloat/multilingual-e5-base) <!-- at revision d13f1b27baf31030b7fd040960d60d909913633f --> |
| | - **Maximum Sequence Length:** 512 tokens |
| | - **Output Dimensionality:** 768 dimensions |
| | - **Similarity Function:** Cosine Similarity |
| | <!-- - **Training Dataset:** Unknown --> |
| | <!-- - **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': 512, '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}) |
| | (2): Normalize() |
| | ) |
| | ``` |
| |
|
| | ## 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("codersan/multilingual-e5-base-Fa") |
| | # Run inference |
| | sentences = [ |
| | 'در جرائم مهمی که مجازات آنها قصاص نفس، اعدام، رجم و حبس ابد است، حتما باید وکیل در دادرسی حضور داشته باشد و اگر متهم توان تعیین وکیل برای خود را نداشته باشد، دادگاه الزاماً برای او وکیل تسخیری تعیین می کند.', |
| | 'تعیین وکیل تسخیری برای متهم در آن دسته از جرایم الزامی است که مجازات قانونی آنها قصاص نفس، اعدام، رجم و حبس ابد است.', |
| | 'در سال ۱۳۶۸ مقام نخست وزیری در ایران حذف شد.', |
| | ] |
| | 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] |
| | ``` |
| |
|
| | <!-- |
| | ### 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.* |
| | --> |
| |
|
| | <!-- |
| | ## 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 |
| |
|
| | #### Unnamed Dataset |
| |
|
| |
|
| | * Size: 16,825 training samples |
| | * Columns: <code>anchor</code> and <code>positive</code> |
| | * Approximate statistics based on the first 1000 samples: |
| | | | anchor | positive | |
| | |:--------|:------------------------------------------------------------------------------------|:----------------------------------------------------------------------------------| |
| | | type | string | string | |
| | | details | <ul><li>min: 16 tokens</li><li>mean: 58.32 tokens</li><li>max: 189 tokens</li></ul> | <ul><li>min: 8 tokens</li><li>mean: 21.37 tokens</li><li>max: 50 tokens</li></ul> | |
| | * Samples: |
| | | anchor | positive | |
| | |:--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:---------------------------------------------------------------------------------------------------------------------------------------------------------------------| |
| | | <code>اولین انتقال و نفوذ طبیعی فرهنگ و تمدن اسلامی به اروپا از طریق کانون های جغرافیایی مصر، اندلس و سیسیل انجام گرفت و آنچه توانست به روند این انتقال سرعت بخشد جنگ های صلیبی بود.</code> | <code>نخستین انتقال و نفوذ طبیعی فرهنگ و تمدن اسلامی به اروپا از طریق کانون های جغرافیایی مصر، اندلس و سیسیل بود و جنگ های صلیبی توانست این روند را سریع کند.</code> | |
| | | <code>ویژگی های هنر عصر اموی: ۱- تلفیقی بودن ۲- بازنمایی نوعی تفنن و تفریح ۳- نقاشی های تزئینی و تندیس های بی کیفیت</code> | <code>نقاشی های تزئینی و تندیس های بیکیفیت، یکی از ویژگی های هنر عصر اموی است.</code> | |
| | | <code>قبه الصخره یکی از تجلی گاه های زیبایی و ظرافت هنر اسلامی محسوب می شود و به فرمان عبدالملک بن مروان برای برگزاری روز عرفه ساخته شد.</code> | <code>قبه الصخره به فرمان عبدالملک بن مروان و برای برگزاری روز عرفه بنا گردید.</code> | |
| | * Loss: [<code>MultipleNegativesRankingLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#multiplenegativesrankingloss) with these parameters: |
| | ```json |
| | { |
| | "scale": 20.0, |
| | "similarity_fct": "cos_sim" |
| | } |
| | ``` |
| |
|
| | ### Training Hyperparameters |
| | #### Non-Default Hyperparameters |
| |
|
| | - `per_device_train_batch_size`: 32 |
| | - `learning_rate`: 2e-05 |
| | - `weight_decay`: 0.01 |
| | - `num_train_epochs`: 4 |
| | - `batch_sampler`: no_duplicates |
| | |
| | #### All Hyperparameters |
| | <details><summary>Click to expand</summary> |
| | |
| | - `overwrite_output_dir`: False |
| | - `do_predict`: False |
| | - `eval_strategy`: no |
| | - `prediction_loss_only`: True |
| | - `per_device_train_batch_size`: 32 |
| | - `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`: 0.01 |
| | - `adam_beta1`: 0.9 |
| | - `adam_beta2`: 0.999 |
| | - `adam_epsilon`: 1e-08 |
| | - `max_grad_norm`: 1.0 |
| | - `num_train_epochs`: 4 |
| | - `max_steps`: -1 |
| | - `lr_scheduler_type`: linear |
| | - `lr_scheduler_kwargs`: {} |
| | - `warmup_ratio`: 0.0 |
| | - `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`: 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`: 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 |
| | - `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`: 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 |
| | - `average_tokens_across_devices`: False |
| | - `prompts`: None |
| | - `batch_sampler`: no_duplicates |
| | - `multi_dataset_batch_sampler`: proportional |
| |
|
| | </details> |
| |
|
| | ### Training Logs |
| | | Epoch | Step | Training Loss | |
| | |:------:|:----:|:-------------:| |
| | | 0.1901 | 100 | 0.1287 | |
| | | 0.3802 | 200 | 0.2538 | |
| | | 0.5703 | 300 | 0.2442 | |
| | | 0.7605 | 400 | 1.1629 | |
| | | 0.9506 | 500 | 1.0471 | |
| | | 1.1388 | 600 | 0.3297 | |
| | | 1.3289 | 700 | 0.1008 | |
| | | 1.5190 | 800 | 0.1006 | |
| | | 1.7091 | 900 | 0.7316 | |
| | | 1.8992 | 1000 | 0.905 | |
| | | 2.0875 | 1100 | 0.508 | |
| | | 2.2776 | 1200 | 0.0339 | |
| | | 2.4677 | 1300 | 0.05 | |
| | | 2.6578 | 1400 | 0.4348 | |
| | | 2.8479 | 1500 | 0.7746 | |
| | | 3.0361 | 1600 | 0.6891 | |
| | | 3.2262 | 1700 | 0.0135 | |
| | | 3.4163 | 1800 | 0.0389 | |
| | | 3.6065 | 1900 | 0.2238 | |
| | | 3.7966 | 2000 | 0.7487 | |
| | | 3.9867 | 2100 | 0.7685 | |
| |
|
| |
|
| | ### Framework Versions |
| | - Python: 3.10.12 |
| | - Sentence Transformers: 3.3.1 |
| | - Transformers: 4.47.1 |
| | - PyTorch: 2.5.1+cu121 |
| | - Accelerate: 1.2.1 |
| | - 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", |
| | } |
| | ``` |
| |
|
| | #### MultipleNegativesRankingLoss |
| | ```bibtex |
| | @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.* |
| | --> |
