SentenceTransformer based on shihab17/bangla-sentence-transformer

This is a sentence-transformers model finetuned from shihab17/bangla-sentence-transformer. 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: shihab17/bangla-sentence-transformer
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: 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("farhana1996/unsupervised-simcse-bangla-sbert")
# Run inference
sentences = [
    'রোহিঙ্গা অনুপ্রবেশসহ বিভিন্ন ইস্যুতে নানা টানা পোড়েনের মধ্যেই স্বরাষ্ট্রমন্ত্রী আসাদুজ্জামান খান কামাল মিয়ানমার সফরে যাচ্ছেন',
    'রোহিঙ্গা অনুপ্রবেশসহ বিভিন্ন ইস্যুতে নানা টানা পোড়েনের মধ্যেই স্বরাষ্ট্রমন্ত্রী আসাদুজ্জামান খান কামাল মিয়ানমার সফরে যাচ্ছেন',
    'আগামী এক মাসের মধ্যে এটি জনপ্রশাসন মন্ত্রণালয়ে পাঠানো হবে বলে সংশ্লিষ্ট সূত্র জানিয়েছে',
]
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: 1,000,000 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: 25.91 tokens
max: 148 tokens

min: 3 tokens
mean: 25.91 tokens
max: 148 tokens

	sentence_0	sentence_1
type	string	string
details	min: 3 tokens mean: 25.91 tokens max: 148 tokens	min: 3 tokens mean: 25.91 tokens max: 148 tokens

Samples:

sentence_0	sentence_1
`বিনোদন ডেস্ক অভিনেতা নির্মাতা জাহিদ হাসান ঈদ উপলক্ষে অভিনয় ও পরিচালনা নিয়ে ব্যস্ত সময় কাটাচ্ছেন`	`বিনোদন ডেস্ক অভিনেতা নির্মাতা জাহিদ হাসান ঈদ উপলক্ষে অভিনয় ও পরিচালনা নিয়ে ব্যস্ত সময় কাটাচ্ছেন`
`আগামী এক মাসের মধ্যে এটি জনপ্রশাসন মন্ত্রণালয়ে পাঠানো হবে বলে সংশ্লিষ্ট সূত্র জানিয়েছে`	`আগামী এক মাসের মধ্যে এটি জনপ্রশাসন মন্ত্রণালয়ে পাঠানো হবে বলে সংশ্লিষ্ট সূত্র জানিয়েছে`
`বিশ্ববিদ্যালয় ভারপ্রাপ্ত রেজিস্ট্রার প্রফেসর ড কামরুল হুদা বলেন, পুলিশ বিশ্ববিদ্যালয় প্রশাসনের কাছে তালিকা চাইলে বিশ্ববিদ্যালয়ের বিভিন্ন বিভাগে খোঁজ নিয়ে জনের নাম পাওয়া যায়`	`বিশ্ববিদ্যালয় ভারপ্রাপ্ত রেজিস্ট্রার প্রফেসর ড কামরুল হুদা বলেন, পুলিশ বিশ্ববিদ্যালয় প্রশাসনের কাছে তালিকা চাইলে বিশ্ববিদ্যালয়ের বিভিন্ন বিভাগে খোঁজ নিয়ে জনের নাম পাওয়া যায়`

Loss: MultipleNegativesRankingLoss with these parameters:

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

Training Hyperparameters

Non-Default Hyperparameters

per_device_train_batch_size: 4
per_device_eval_batch_size: 4
num_train_epochs: 1
fp16: True
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: 4
per_device_eval_batch_size: 4
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: 1
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: 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: 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: batch_sampler
multi_dataset_batch_sampler: round_robin

Training Logs