README.md

---
base_model: sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2
datasets: []
language: []
library_name: sentence-transformers
pipeline_tag: sentence-similarity
tags:
- sentence-transformers
- sentence-similarity
- feature-extraction
- generated_from_trainer
- dataset_size:90000
- loss:ContrastiveLoss
widget:
- source_sentence: دوچرخه  جاینت
  sentences:
  - دوچرخه جاینت مدل Rincon 2 27.2 (2022) مشکی کد-G22B1137 دوچرخه جاینت مدل Rincon
    2 27.2 (2022) خاکستری کد-G22GR1138
  - شلوار مام استایل کمر هویجی آبی کد658 شلوار مام استایل کمر کش شلوار جین مام فیت
    کمر هویجی آبی شلوار جین مام استایل کمر هویجی شلوار جین زنانه مام استایل کمر هویجی
    رنگ آبی تیره
  - برنج عنبربو شوشتر مرعشی فوق اعلا یک کیلو برنج عنبر بو
- source_sentence: صندلی میکاپ
  sentences:
  - صندلی میکاپ جکی 6818 صندلی میکاپ آرایشگاهی مدل SN-6818 صندلی میکاپ صنعت نواز مدل
    6818 صندلی آرایشگاهی صنعت نواز مدل SN-6818
  - هندزفری بلوتوثی جبرا Jabra F600 هندزفری  بلوتوث  خلبانی  جبرا (F600) هندزفری بلوتوث
    تک گوش JABRA F600
  - تولیدی فلاسک چای احمد تولیدی فلاسک رضا تولیدی فلاسک حامد تولیدی فلاسک محمود تولیدی
    فلاسک احمد تولیدی فلاسک رزکالا
- source_sentence: شلوار لی کلاسیک
  sentences:
  - سبزی قورمه پر سرخ شده 500 گرمی تازه
  - قاب و شاسی نوکیا NOKIA 230 قاب نوکیا مدل N230 NOKIA 230 FRAME قاب و شاسی کامل
    گوشی نوکیا Nokia 230 قاب و شاسی نوکیا Nokia 230 قاب و شاسی اصلی نوکیا nokia 230
    قاب گوشی موبایل نوکیا N230 قاب و شاسی کامل نوکیا Nokia 230 قاب و شاسی  اصلی نوکیا
    Nokia 230 قاب نوکیا 230 قاب nokia 230 قاب موبایل نوکیا 230 قاب تجاری نوکیا 230
    (بدون شاسی)
  - شلوار لی کلاسیک سایز بزرگ
- source_sentence: ماشین ظرفشویی دوو 14 نفره
  sentences:
  - Daewoo DDW-3480 Dishwasher ماشین ظرفشویی دوو 14 نفره مدل DDW-3480 ماشین ظرفشویی
    دوو مدل DDW-3480 ظرفیت 14 نفره ماشین ظرفشویی دوو 14 نفره اکسترا مدل DDW-3480
  - تمپو پژواک آلنی باس رنگی تمپو باس پژواک طرح 6 تمپو باس PEZHVAK پژواک آکبند
  - ساک ورزشی مردانه آدیداس مشکی چرم
- source_sentence: 'ماساژور دستی صورت '
  sentences:
  - ماساژور بدن زیکلاس مد مدل SFA30 ماساژور دستی زیکلاس مد Zyklusmed massager دستگاه
    ماساژور زیکلاس مد SFA30 Zyklusmed ماساژور SF-A30 زیکلاسمد-zyklusmed ماساژور بدن
    زیکلاس مد SFA30 ماساژور بدن زیکلاس مد مدل ZYKLUSMED SF-A30 ماساژور بدن برقی زیکلاس
    مد zyklusmed SF A30 ماساژور بدن زیکلاس مد ZYKLUSMED SF-A30 ماساژور دستی کل بدن
    دارای ده سری SF-A30 زیکلاس مد ماساژور دستی زیکلاس مد Zyklusmed SFA30 Massager
  - سبد کولر سبد پمپ سبد پمپ آب کولر سبد پمپ کولر آبی سبد پمپ کولر پارس سبد پمپ آب
    کولر آبی
  - باند پسیو اکو چنگ مدل ZX500
---

# SentenceTransformer based on sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2

This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2](https://huggingface.co/sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2). It maps sentences & paragraphs to a 384-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:** [sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2](https://huggingface.co/sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2) <!-- at revision bf3bf13ab40c3157080a7ab344c831b9ad18b5eb -->
- **Maximum Sequence Length:** 128 tokens
- **Output Dimensionality:** 384 tokens
- **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': 128, 'do_lower_case': False}) with Transformer model: BertModel 
  (1): Pooling({'word_embedding_dimension': 384, '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:

```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("DashReza7/sentence-transformers_paraphrase-multilingual-MiniLM-L12-v2_FINETUNED_on_torob_data_v2")
# Run inference
sentences = [
    'ماساژور دستی صورت ',
    'ماساژور بدن زیکلاس مد مدل SFA30 ماساژور دستی زیکلاس مد Zyklusmed massager دستگاه ماساژور زیکلاس مد SFA30 Zyklusmed ماساژور SF-A30 زیکلاسمد-zyklusmed ماساژور بدن زیکلاس مد SFA30 ماساژور بدن زیکلاس مد مدل ZYKLUSMED SF-A30 ماساژور بدن برقی زیکلاس مد zyklusmed SF A30 ماساژور بدن زیکلاس مد ZYKLUSMED SF-A30 ماساژور دستی کل بدن دارای ده سری SF-A30 زیکلاس مد ماساژور دستی زیکلاس مد Zyklusmed SFA30 Massager',
    'باند پسیو اکو چنگ مدل ZX500',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 384]

# 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 Hyperparameters
#### Non-Default Hyperparameters

- `eval_strategy`: steps
- `per_device_train_batch_size`: 64
- `per_device_eval_batch_size`: 64
- `learning_rate`: 2e-05
- `num_train_epochs`: 1
- `warmup_ratio`: 0.1
- `fp16`: True

#### All Hyperparameters
<details><summary>Click to expand</summary>

- `overwrite_output_dir`: False
- `do_predict`: False
- `eval_strategy`: steps
- `prediction_loss_only`: True
- `per_device_train_batch_size`: 64
- `per_device_eval_batch_size`: 64
- `per_gpu_train_batch_size`: None
- `per_gpu_eval_batch_size`: None
- `gradient_accumulation_steps`: 1
- `eval_accumulation_steps`: None
- `learning_rate`: 2e-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`: 1
- `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`: 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`: 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
- `eval_on_start`: False
- `batch_sampler`: batch_sampler
- `multi_dataset_batch_sampler`: proportional

</details>

### Training Logs
| Epoch  | Step | Training Loss |
|:------:|:----:|:-------------:|
| 0.3554 | 500  | 0.0259        |
| 0.7107 | 1000 | 0.019         |


### Framework Versions
- Python: 3.10.12
- Sentence Transformers: 3.0.1
- Transformers: 4.42.4
- PyTorch: 2.4.0+cu121
- Accelerate: 0.32.1
- Datasets: 2.21.0
- Tokenizers: 0.19.1

## 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",
}
```

#### ContrastiveLoss
```bibtex
@inproceedings{hadsell2006dimensionality,
    author={Hadsell, R. and Chopra, S. and LeCun, Y.},
    booktitle={2006 IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR'06)}, 
    title={Dimensionality Reduction by Learning an Invariant Mapping}, 
    year={2006},
    volume={2},
    number={},
    pages={1735-1742},
    doi={10.1109/CVPR.2006.100}
}
```

<!--
## 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.*
-->