metadata

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 model finetuned from 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
Maximum Sequence Length: 128 tokens
Output Dimensionality: 384 tokens
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: 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:

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("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]

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

Click to expand

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

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

@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

@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}
}