farhana1996/unsupervised-simcse-bangla-sbert-800k

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 1536-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: 128 tokens
• Output Dimensionality: 1536 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': 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': True, '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-800k")
# Run inference
sentences = [
    'কারণ এ ব্যাংকগুলোর নিয়ন্ত্রণ অর্থ মন্ত্রণালয়ের ব্যাংক ও আর্থিক প্রতিষ্ঠানের হাতে।',
    'কারণ এ ব্যাংকগুলোর নিয়ন্ত্রণ অর্থ মন্ত্রণালয়ের ব্যাংক ও আর্থিক প্রতিষ্ঠানের হাতে।',
    'বক্তারা এ সময় অবিলম্বে দোষীদের শাস্তির আওতায় না আনলে সারা দেশের আলেম উলামা ও মাদরাসার শিক্ষক শিক্ষার্থীরা রাজপথে নামতে বাধ্য হবে বলে হুশিয়ারি উচ্চারণ করেন।',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 1536]

# Get the similarity scores for the embeddings
similarities = model.similarity(embeddings, embeddings)
print(similarities.shape)
# [3, 3]

Training Details

Training Dataset

Unnamed Dataset

• Size: 800,000 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: 6 tokens mean: 29.09 tokens max: 128 tokens	min: 6 tokens mean: 29.09 tokens max: 128 tokens

• Samples:

  sentence_0	sentence_1
  এরই মধ্যে এ বিষয়ে পরীক্ষা নিরীক্ষা শুরু করেছে বিশ্ববিদ্যালয় কর্তৃপক্ষ।	এরই মধ্যে এ বিষয়ে পরীক্ষা নিরীক্ষা শুরু করেছে বিশ্ববিদ্যালয় কর্তৃপক্ষ।
  এরপর থেকেই যেন দেশের বিজ্ঞাপনে ভারতীয় শিল্পীদের নিয়ে আসার পরিমাণ বেড়ে গেছে।	এরপর থেকেই যেন দেশের বিজ্ঞাপনে ভারতীয় শিল্পীদের নিয়ে আসার পরিমাণ বেড়ে গেছে।
  ইন্টারন্যাশনাল ইউনিভার্সিটি অব বিজনেস এগ্রিকালচার অ্যান্ড টেকনোলজির আইইউবিএটি গ্রীষ্ম সেমিস্টারের নতুন শিক্ষার্থীদের পরিচিতি সেশন শেষ হয়েছে।	ইন্টারন্যাশনাল ইউনিভার্সিটি অব বিজনেস এগ্রিকালচার অ্যান্ড টেকনোলজির আইইউবিএটি গ্রীষ্ম সেমিস্টারের নতুন শিক্ষার্থীদের পরিচিতি সেশন শেষ হয়েছে।

• Loss: MultipleNegativesRankingLoss with these parameters:

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

Training Hyperparameters

Non-Default Hyperparameters

• per_device_train_batch_size: 16
• per_device_eval_batch_size: 16
• num_train_epochs: 2
• 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: 16
• per_device_eval_batch_size: 16
• 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: 1.0
• num_train_epochs: 2
• 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}
• 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
• 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

Click to expand

Epoch	Step	Training Loss
0.01	500	0.0128
0.02	1000	0.0006
0.03	1500	0.0003
0.04	2000	0.0002
0.05	2500	0.0002
0.06	3000	0.0001
0.07	3500	0.0001
0.08	4000	0.0002
0.09	4500	0.0001
0.1	5000	0.0001
0.11	5500	0.0001
0.12	6000	0.0
0.13	6500	0.0001
0.14	7000	0.0001
0.15	7500	0.0001
0.16	8000	0.0
0.17	8500	0.0
0.18	9000	0.0
0.19	9500	0.0
0.2	10000	0.0
0.21	10500	0.0001
0.22	11000	0.0001
0.23	11500	0.0001
0.24	12000	0.0
0.25	12500	0.0002
0.26	13000	0.0
0.27	13500	0.0
0.28	14000	0.0
0.29	14500	0.0
0.3	15000	0.0002
0.31	15500	0.0
0.32	16000	0.0
0.33	16500	0.0
0.34	17000	0.0
0.35	17500	0.0
0.36	18000	0.0
0.37	18500	0.0
0.38	19000	0.0
0.39	19500	0.0
0.4	20000	0.0
0.41	20500	0.0
0.42	21000	0.0
0.43	21500	0.0
0.44	22000	0.0
0.45	22500	0.0
0.46	23000	0.0
0.47	23500	0.0
0.48	24000	0.0
0.49	24500	0.0
0.5	25000	0.0
0.51	25500	0.0
0.52	26000	0.0
0.53	26500	0.0
0.54	27000	0.0
0.55	27500	0.0
0.56	28000	0.0
0.57	28500	0.0
0.58	29000	0.0
0.59	29500	0.0
0.6	30000	0.0
0.61	30500	0.0
0.62	31000	0.0
0.63	31500	0.0
0.64	32000	0.0
0.65	32500	0.0
0.66	33000	0.0
0.67	33500	0.0
0.68	34000	0.0
0.69	34500	0.0
0.7	35000	0.0
0.71	35500	0.0
0.72	36000	0.0
0.73	36500	0.0
0.74	37000	0.0
0.75	37500	0.0
0.76	38000	0.0
0.77	38500	0.0
0.78	39000	0.0
0.79	39500	0.0
0.8	40000	0.0
0.81	40500	0.0
0.82	41000	0.0
0.83	41500	0.0
0.84	42000	0.0
0.85	42500	0.0
0.86	43000	0.0
0.87	43500	0.0
0.88	44000	0.0
0.89	44500	0.0
0.9	45000	0.0
0.91	45500	0.0
0.92	46000	0.0
0.93	46500	0.0
0.94	47000	0.0
0.95	47500	0.0
0.96	48000	0.0
0.97	48500	0.0
0.98	49000	0.0
0.99	49500	0.0
1.0	50000	0.0
1.01	50500	0.0
1.02	51000	0.0
1.03	51500	0.0
1.04	52000	0.0
1.05	52500	0.0
1.06	53000	0.0
1.07	53500	0.0
1.08	54000	0.0
1.09	54500	0.0
1.1	55000	0.0
1.11	55500	0.0
1.12	56000	0.0
1.13	56500	0.0
1.1400	57000	0.0
1.15	57500	0.0
1.16	58000	0.0
1.17	58500	0.0
1.18	59000	0.0
1.19	59500	0.0
1.2	60000	0.0
1.21	60500	0.0
1.22	61000	0.0
1.23	61500	0.0
1.24	62000	0.0
1.25	62500	0.0
1.26	63000	0.0
1.27	63500	0.0
1.28	64000	0.0
1.29	64500	0.0
1.3	65000	0.0
1.31	65500	0.0
1.32	66000	0.0
1.33	66500	0.0
1.34	67000	0.0
1.35	67500	0.0
1.3600	68000	0.0
1.37	68500	0.0
1.38	69000	0.0
1.3900	69500	0.0
1.4	70000	0.0
1.41	70500	0.0
1.42	71000	0.0
1.43	71500	0.0
1.44	72000	0.0
1.45	72500	0.0
1.46	73000	0.0
1.47	73500	0.0
1.48	74000	0.0
1.49	74500	0.0
1.5	75000	0.0
1.51	75500	0.0
1.52	76000	0.0
1.53	76500	0.0
1.54	77000	0.0
1.55	77500	0.0
1.56	78000	0.0
1.5700	78500	0.0
1.58	79000	0.0
1.5900	79500	0.0
1.6	80000	0.0
1.6100	80500	0.0
1.62	81000	0.0
1.63	81500	0.0
1.6400	82000	0.0
1.65	82500	0.0
1.6600	83000	0.0
1.67	83500	0.0
1.6800	84000	0.0
1.69	84500	0.0
1.7	85000	0.0001
1.71	85500	0.0
1.72	86000	0.0
1.73	86500	0.0
1.74	87000	0.0
1.75	87500	0.0
1.76	88000	0.0
1.77	88500	0.0
1.78	89000	0.0
1.79	89500	0.0002
1.8	90000	0.0
1.81	90500	0.0
1.8200	91000	0.0
1.83	91500	0.0
1.8400	92000	0.0
1.85	92500	0.0
1.8600	93000	0.0
1.87	93500	0.0
1.88	94000	0.0
1.8900	94500	0.0
1.9	95000	0.0
1.9100	95500	0.0
1.92	96000	0.0
1.9300	96500	0.0
1.94	97000	0.0
1.95	97500	0.0
1.96	98000	0.0
1.97	98500	0.0
1.98	99000	0.0
1.99	99500	0.0
2.0	100000	0.0

Framework Versions

• Python: 3.11.11
• Sentence Transformers: 3.4.1
• Transformers: 4.51.1
• PyTorch: 2.5.1+cu124
• Accelerate: 1.3.0
• Datasets: 3.5.0
• Tokenizers: 0.21.0

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",
}

MultipleNegativesRankingLoss

@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}
}