SentenceTransformer based on cointegrated/LaBSE-en-ru

This is a sentence-transformers model finetuned from cointegrated/LaBSE-en-ru. 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: cointegrated/LaBSE-en-ru
Maximum Sequence Length: 512 tokens
Output Dimensionality: 768 dimensions
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: BertModel 
  (1): Pooling({'word_embedding_dimension': 768, 'pooling_mode_cls_token': True, 'pooling_mode_mean_tokens': False, '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): Dense({'in_features': 768, 'out_features': 768, 'bias': True, 'activation_function': 'torch.nn.modules.activation.Tanh'})
  (3): Normalize()
)

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("Solomennikova/labse_funetuned_hoff_40_epochs")
# Run inference
sentences = [
    'качели для дачи',
    '{"product_name": "Детский игровой комплекс Капризун", "Бренд": "NATIONAL TREE COMPANY", "Цвет": "белый, бирюзовый", "Материал": "массив сосны, металл, пластмасса", "description": "Детский игровой комплекс-кровать Капризун сделан из натурального дерева и рассчитан на детей в возрасте от 3 лет. В конструкции предусмотрены два спальных места, множество игровых элементов и спортивных снарядов. Игры с комплексом развивают воображение, улучшают координацию движений и ловкость, укрепляют мышцы.\\n Особенности:\\n • сделан из экологически чистого материала;\\n • поверхность дерева гладко отшлифована и покрыта краской на водной основе;\\n • текстиль и матрас в комплект не входят.", "Производитель": "Россия"}',
    '{"product_name": "Поддон универсальный MELODIA DELLA VITA Round MTYRD8080Bk 80х16 см", "Бренд": "MELODIA DELLA VITA", "Цвет": "чёрный", "Материал": "акрил", "description": "", "Производитель": "Россия"}',
]
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: 86,732 training samples
Columns: sentence_0 and sentence_1
Approximate statistics based on the first 1000 samples:
sentence_0 sentence_1
type string string
details
min: 3 tokens
mean: 5.25 tokens
max: 18 tokens

min: 52 tokens
mean: 125.86 tokens
max: 512 tokens

	sentence_0	sentence_1
type	string	string
details	min: 3 tokens mean: 5.25 tokens max: 18 tokens	min: 52 tokens mean: 125.86 tokens max: 512 tokens

Samples:

sentence_0	sentence_1
`комод`	`{"product_name": "Комплект стульев 305 54х75х54 см", "Бренд": null, "Цвет": "Коричневый", "Материал": null, "description": "", "Производитель": "Россия"}`
`freya`	`{"product_name": "Светильник подвесной FREYA Modern Blossom 12.5 кв.м., 31х170х31 см, G9", "Бренд": "FREYA", "Цвет": "Белый,Золотой", "Материал": null, "description": "", "Производитель": "Китай"}`
`комод`	{"product_name": "Комод Деко", "Бренд": null, "Цвет": "Белый", "Материал": null, "description": "Комод Деко создан для тех, кто требует от мебели и функциональности, и элегантности. В конструкции модели предусмотрены выдвижные ящики различного размера и отделение с полками за распашной дверцей. В этом комоде найдётся место для самых разнообразных вещей: например, в трёх нижних ящиках будет удобно хранить домашний текстиль, одежду, коробки с обувью, в верхнем — косметику. Крышка, покрытая стеклом, идеальна как для размещения стильных интерьерных аксессуаров, так и для установки телевизионной панели. Модель изготовлена в минималистичном стиле, изысканную изюминку придаёт сочетание глянцевого фасада и сверкающей стеклянной поверхности.", "Производитель": "Россия"}

Loss: MultipleNegativesRankingLoss with these parameters:

{
    "scale": 20.0,
    "similarity_fct": "cos_sim"
}

Training Hyperparameters

Non-Default Hyperparameters

per_device_train_batch_size: 32
per_device_eval_batch_size: 32
num_train_epochs: 40
multi_dataset_batch_sampler: round_robin

All Hyperparameters

Click to expand

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: 32
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: 5e-05
weight_decay: 0.0
adam_beta1: 0.9
adam_beta2: 0.999
adam_epsilon: 1e-08
max_grad_norm: 1
num_train_epochs: 40
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}
tp_size: 0
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: batch_sampler
multi_dataset_batch_sampler: round_robin

Training Logs