---
base_model: sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2
datasets: []
language: []
library_name: sentence-transformers
metrics:
- cosine_accuracy
- cosine_accuracy_threshold
- cosine_f1
- cosine_f1_threshold
- cosine_precision
- cosine_recall
- cosine_ap
- dot_accuracy
- dot_accuracy_threshold
- dot_f1
- dot_f1_threshold
- dot_precision
- dot_recall
- dot_ap
- manhattan_accuracy
- manhattan_accuracy_threshold
- manhattan_f1
- manhattan_f1_threshold
- manhattan_precision
- manhattan_recall
- manhattan_ap
- euclidean_accuracy
- euclidean_accuracy_threshold
- euclidean_f1
- euclidean_f1_threshold
- euclidean_precision
- euclidean_recall
- euclidean_ap
- max_accuracy
- max_accuracy_threshold
- max_f1
- max_f1_threshold
- max_precision
- max_recall
- max_ap
pipeline_tag: sentence-similarity
tags:
- sentence-transformers
- sentence-similarity
- feature-extraction
- generated_from_trainer
- dataset_size:450000
- loss:ContrastiveLoss
widget:
- source_sentence: گوشی a 21 s
sentences:
- FIFA 21 اکانت قانونی FIFA 21 Standard Edition مخصوص XBOX Series S/X
- روکش صندلی چرم طرح بی ام و مناسب پژو پارس صندلی قدیم کد BMW69
- هایلایتر پودری وت اند وایلد مدل مگا گلو شماره E319B هایلایتر پودری مگا گلو وت
اند وایلد مدل E319B Blossom Glow wet n wild megaglo highlighting powder هایلایتر
پودری مگا گلو وت اند وایلد مدل E321B Precious Petals هایلایتر وت اند وایلد پودری
مگا گلو هایلایتر پودری مگا گلو شماره 319B وت اند وایلد / هایلایتر پودری مگا گلو
وت اند وایلد هایلایتر پودری مگا گلو شماره 321B وت اند وایلد هایلایتر وت اند وایلد
| هایلایتر پودری وت اند وایلید megaglot هایلایتر پودری وت اند وایلد مگا گلو
- source_sentence: استویا
sentences:
- ساعت گارمین مدل GARMIN FORERUNNER 35 GREEN Smart Watch Garmin Watch forerunner
35 green ساعت گارمين Forerunner 35 ساعت مچی هوشمند گارمین forerunner 35 green
- برگ استویا
- تاچ و ال سی دی شیائومی ردمی مدل نوت 8 پرو تاچ و ال سی دی شیائومی REDMI NOTE 8
PRO تاچ و ال سی دی گوشی شائومی ردمی نوت 8 پرو LCD XIAOMI REDMI NOTE 8 PRO
- source_sentence: سنباده برقی
sentences:
- گوشت کوب برقی سه کاره میگل مدل GHB 801 سفید گوشتکوب برقی چند کاره میگل غذاساز
دستی GHB 801 میگل Migel GHB 801 Food Processor گوشت کوب برقی GHB 801 سفيد ميگل
غذاساز دستی میگل مشکی مدل GHB 801 گوشتکوب برقی میگل GHB 801 غذاساز میگل مدل GHB
801 (سفید) غذاساز دستی میگل مدل GHB 801 گوشت کوب برقی سه کاره میگل مدل GHB 801
مشکی غذاساز میگل مدل GHB 801 غذاساز میگل مدل GHB 801 غذاساز دستی میگل مدل GHB801
W غذاساز دستی میگل سفید مدل GHB 801 گوشت کوب برقی میگل مدل GHB 801 غذاساز میگل
مدل GHB 801 ا Migel GHB 801 Food Processor گوشت کوب برقی میگل GHB801
- کلگی شارژر دو پورت تسکو با کابل میکرو TTC 57 کلگی شارژر تسکو مدل TSCO – TTC57
به همراه کابل MICRO USB شارژر دیواری تسکو مدل TTC 57 با کابل micro-USB شارژر دیواری
دو پورت تسکو مدل TTC 57 شارژر دیواری TTC 57 تسکو شارژر دیواری تسکو مدل ttc 57
گلد و نقره ای شارژر دیواری تسکو مدل TTC57 شارژر 2 پورت تسکو TTC 57 tsco ttc 57
wall charger شارژر دیواری تسکو مدل TTC 57 به همراه کابل microUSB شارژر دیواری
تسکو TSCO TTC 57 به همراه کابل MicroUSB شارژر دیواری تسکو مدل WALL CHARGER TTC-57
شارژر دیواری TTC 57 به همراه کابل تبدیل microUSB Tsco TTC 57 Wall charger With
MicroUSB Conversion Cable شارژر دیواری تسکو TTC 57 شارژر دیواری تسکو TSCO TTC
57 + کابل شارژر دیواری تسکو مدل TTC 57 با کابل MicroUSB شارژر دیواری TTC 57 TSCO
TTC 57 Wall Charger with microUSB Cable شارژر دیواری تسکو(TSCO TTC57 ) شارژر دیواری
تسکو مدل TTC 57 شارژر دیواری به همراه کابل تبدیل microUSB تسکو مدل TSCO TTC 57
+ دو پورت USB TSCO TTC 57 2.4A Wall Charger TSCO TTC 57 Wall Charger شارژر دیواری
تسکو مدلTTC57 به همراه کابل شارژ شارژر دیواری TSCO TTC57 + کابل میکرو یو اس بی
شارژر دیواری تسکو مدل TTC 57 به همراه با کابل microUSB Tsco TTC57 CHarger Fast
with Micro Cable شارژر دیواری TSCO TTC57 کابل میکرو یو اس بی گارانتی یکساله شارژر
TSCO مدل TTC 57 به همراه کابل MICRO شارژر دیواری سه پورت تسکو مدل TTC57 شارژر
دیواری تسکو مدل TTC 57 به همراه کابل شارژ microUSB شارژر دیواری تسکو مدل TSCO
TTC 57 به همراه کابل تبدیل microUSB WALL CHARGER TTC 57 شارژر دیواری تسکو مدل
TTC 57 به همراه کابل تبدیل microUSB TSCO TTC 57 شارژر دیواری تسکوttc 57
- سنباده برقی ایکس کورت XSF02-180S
- source_sentence: میز تنیس
sentences:
- کاندوم شیت کلوپلاست سایز ۳۰ میلی‌متر کاندوم شیت کانوین کلوپلاست کاندوم شیت Espi
سایز ۳۰ میلی‌متر کاندوم شیت کلوپلاست مدل کانوین کاندوم شیت کلوپلاست کاندوم شیت
کلوپلاست سایز 30 کاندوم شیت کولوپلاست 30 میلی متر Coloplast Freedom Clear کاندوم
شیت سایز 25 میلی متر کلوپلاست coloplast ساخت دانمارک کاندوم شیت لاتکس کلوپلاست
کاندوم شیت دانمارکی کاندوم شیت کلوپلاست - coloplast کاندوم شیت سایز 30 میلی متر
کلوپلاست coloplast ساخت دانمارک کاندوم شیت کاندوم شیت کلوپلاست در سایزبندی کاندوم
شیت 30میلی لیتر کاندوم شیت کلوپلاست coloplast دانمارکی
- کاور گوشی سامسونگ A70 - A70S سه بعدی کد5
- میز تنیس روی میز مدل Horse TT11
- source_sentence: 'هندزفری بلوتوث جبرا '
sentences:
- آرمیچر دریل رونیکس 2210
- هدست بلوتوث جبرا Mini هندزفری بلوتوث جبرا Jabra Mini Bluetooth Handsfree هدست
بلوتوث جبرا مدل Mini هندزفری بلوتوث جبرا MINI
- گاز پیک نیک 5 کیلویی شیدا گاز
model-index:
- name: SentenceTransformer based on sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2
results:
- task:
type: binary-classification
name: Binary Classification
dataset:
name: Unknown
type: unknown
metrics:
- type: cosine_accuracy
value: 0.85498
name: Cosine Accuracy
- type: cosine_accuracy_threshold
value: 0.7729779481887817
name: Cosine Accuracy Threshold
- type: cosine_f1
value: 0.8740799339616153
name: Cosine F1
- type: cosine_f1_threshold
value: 0.7386565208435059
name: Cosine F1 Threshold
- type: cosine_precision
value: 0.8376623376623377
name: Cosine Precision
- type: cosine_recall
value: 0.9138079827400216
name: Cosine Recall
- type: cosine_ap
value: 0.9043744924756869
name: Cosine Ap
- type: dot_accuracy
value: 0.81168
name: Dot Accuracy
- type: dot_accuracy_threshold
value: 18.684463500976562
name: Dot Accuracy Threshold
- type: dot_f1
value: 0.8382417731385773
name: Dot F1
- type: dot_f1_threshold
value: 18.00467300415039
name: Dot F1 Threshold
- type: dot_precision
value: 0.7926547878477118
name: Dot Precision
- type: dot_recall
value: 0.8893923049262855
name: Dot Recall
- type: dot_ap
value: 0.8808088425591442
name: Dot Ap
- type: manhattan_accuracy
value: 0.8519
name: Manhattan Accuracy
- type: manhattan_accuracy_threshold
value: 54.21998596191406
name: Manhattan Accuracy Threshold
- type: manhattan_f1
value: 0.8715498573540026
name: Manhattan F1
- type: manhattan_f1_threshold
value: 57.27758026123047
name: Manhattan F1 Threshold
- type: manhattan_precision
value: 0.8347379510139584
name: Manhattan Precision
- type: manhattan_recall
value: 0.9117583603020496
name: Manhattan Recall
- type: manhattan_ap
value: 0.8994757702061444
name: Manhattan Ap
- type: euclidean_accuracy
value: 0.85192
name: Euclidean Accuracy
- type: euclidean_accuracy_threshold
value: 3.4671199321746826
name: Euclidean Accuracy Threshold
- type: euclidean_f1
value: 0.8717798493960334
name: Euclidean F1
- type: euclidean_f1_threshold
value: 3.664275646209717
name: Euclidean F1 Threshold
- type: euclidean_precision
value: 0.8369784601131589
name: Euclidean Precision
- type: euclidean_recall
value: 0.9096008629989213
name: Euclidean Recall
- type: euclidean_ap
value: 0.8996992828192123
name: Euclidean Ap
- type: max_accuracy
value: 0.85498
name: Max Accuracy
- type: max_accuracy_threshold
value: 54.21998596191406
name: Max Accuracy Threshold
- type: max_f1
value: 0.8740799339616153
name: Max F1
- type: max_f1_threshold
value: 57.27758026123047
name: Max F1 Threshold
- type: max_precision
value: 0.8376623376623377
name: Max Precision
- type: max_recall
value: 0.9138079827400216
name: Max Recall
- type: max_ap
value: 0.9043744924756869
name: Max Ap
---
# 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)
- **Maximum Sequence Length:** 128 tokens
- **Output Dimensionality:** 384 tokens
- **Similarity Function:** Cosine Similarity
### 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_3")
# Run inference
sentences = [
'هندزفری بلوتوث جبرا ',
'هدست بلوتوث جبرا Mini هندزفری بلوتوث جبرا Jabra Mini Bluetooth Handsfree هدست بلوتوث جبرا مدل Mini هندزفری بلوتوث جبرا MINI',
'گاز پیک نیک 5 کیلویی شیدا گاز',
]
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]
```
## Evaluation
### Metrics
#### Binary Classification
* Evaluated with [BinaryClassificationEvaluator](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.BinaryClassificationEvaluator)
| Metric | Value |
|:-----------------------------|:-----------|
| cosine_accuracy | 0.855 |
| cosine_accuracy_threshold | 0.773 |
| cosine_f1 | 0.8741 |
| cosine_f1_threshold | 0.7387 |
| cosine_precision | 0.8377 |
| cosine_recall | 0.9138 |
| cosine_ap | 0.9044 |
| dot_accuracy | 0.8117 |
| dot_accuracy_threshold | 18.6845 |
| dot_f1 | 0.8382 |
| dot_f1_threshold | 18.0047 |
| dot_precision | 0.7927 |
| dot_recall | 0.8894 |
| dot_ap | 0.8808 |
| manhattan_accuracy | 0.8519 |
| manhattan_accuracy_threshold | 54.22 |
| manhattan_f1 | 0.8715 |
| manhattan_f1_threshold | 57.2776 |
| manhattan_precision | 0.8347 |
| manhattan_recall | 0.9118 |
| manhattan_ap | 0.8995 |
| euclidean_accuracy | 0.8519 |
| euclidean_accuracy_threshold | 3.4671 |
| euclidean_f1 | 0.8718 |
| euclidean_f1_threshold | 3.6643 |
| euclidean_precision | 0.837 |
| euclidean_recall | 0.9096 |
| euclidean_ap | 0.8997 |
| max_accuracy | 0.855 |
| max_accuracy_threshold | 54.22 |
| max_f1 | 0.8741 |
| max_f1_threshold | 57.2776 |
| max_precision | 0.8377 |
| max_recall | 0.9138 |
| **max_ap** | **0.9044** |
## 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