metadata
tags:
- sentence-transformers
- sentence-similarity
- feature-extraction
- generated_from_trainer
- dataset_size:2700
- loss:CachedMultipleNegativesRankingLoss
widget:
- source_sentence: Wat is de betekenis van het getal 10 in dit document?
sentences:
- >-
Ooklishes wijl we intet mogelijk sæguen diestate binnen 24 u n a afiyan
e tegeneralel is pollewords: very dear socal feigermoneters of data ai
nnen 48u na amarne.
- '10.'
- >2-
5.1 .2e` <` 5.1 .2e`@minbzk.nl>), de verzenddatum (woensdag 25 november 2020 08:43), de geadresseerde (` 5.1 .2e` <` 5.1 .2e`@minvws.nl>) en de CC ontvangers (` 5.1 .2e` <` 5.1 .2e`@minbzk.nl>; ` 5.1 .2e` <` 5.1 .2e`@minvws.nl>; ` 5.1 .2e` <` 5.1 .2e`@minvws.nl>; ` 5.1 .2e` <` 5.1 .2e`@zorgverzekeringskantoor.nl>). De e mail lijkt afkomstig te zijn van een intern communicatiekanaal, mogelijk binnen de Nederlandse overheid, gezien de domeinnamen minbzk.nl en minvws.nl.
Onderwerp: RE: Aanvullen Programma SXM
Goedemorgen,
Zojuist een nieuwe afspraak gepland voor 11.15
Van: 5.1 .2e ) < 5.1 .2e @minvws.nl>
Verzonden: dinsdag 24 november 2020 17:33
Aan: 5.1 .2e < 5.1 .2e @minbzk.nl>
CC: 5.1 .2e < 5.1 .2e @minbzk.nl>; 5.1 .2e < 5.1 .2e @minvws.nl>; 5.1 .2e 5.1 .2e)
5.1 .2e < 5.1 .2e @minvws.nl>; 5.1 .2e < 5.1 .2e @zorgverzekeringskantoor.nl>
Onderwerp: RE: Aanvullen Programma SXM
5.1 .2e Hoi
We zitten morgen op Aruba met een stevig programma. Zou het ook om 11.15
uur kunnen? Ik ben dan op de vertegenwoordiging en daar is een stabiele
wifi.
Groet.
5.1 .2e
# Verzonden met BlackBerry Work (www.blackberry.com)
Van: 5.1 .2e < 5.1 .2e @minbzk.nl>
Datum: dinsdag 24 nov. 2020 4:02 PM
Aan: 5.1 .2e < 5.1 .2e @minvws.nl>
Kopie: 5.1 .2e < 5.1 .2e @minbzk.nl>, 5.1 .2e < 5.1 .2e @minvws.nl>, 5.1 .2e < 5.1 .2e @minvws.nl>, 5.1 .2e < 5.1 .2e @zorgverzekeringskantoor.nl>
Onderwerp: RE: Aanvullen Programma SXM
# Hoi 5.1 .2e
Welkom in de Caraïben en goed plan. Wat dacht je van morgenmiddag om
14.00 uur. Ik stuur zo een uitnodiging en als het niet uitkomt
verschuiven we deze gewoon.
Ik heb nog wel aantal vragen die we morgen even langs moeten lopen
Totaal aantal personen is 5?
ik begreep van 5.1 .2e dat 512 (?) ook vervoer aan het regelen. Normaal gesproken regelen wij het vervoer hier. Dus graag even afstemmen. Gezien jullie niet overal met z ´n allen naar toe gaan, kan een huurauto daamaast handig zijn, laat maar weten
zie mijn vraag in het ro
- source_sentence: Wie zijn de auteurs van dit documentfragment?
sentences:
- >-
Op 10 november zijn er 204 clusters (in verpleeghuizen en wooncentra
voor ouderen) geregistreerd met in totaal 2.208 meldingen.
- Cameron, M. J., Bermejo Martin, J.
- >-
st trace contact isoleer falen dat ons net de tweede infectiegoff
opzadelde. Openheid ontbreekt opniew nu iederen reikhalzend uitziet naar
twee beschernende maar de vergrote meerderheid van het volk geen idee
heeft wanneer wij weer ons heellijkvrije leven kunnen oppakken.
Journalisten en politici begrijpen nog steeds niet wat exponentiele
groei betekent en ook niet welke aanpak 24 miljoen keer prikken vergt.
Het eerste punt ga ik niet nog een uitlebben honderden reeds gedaan, met
twee korrels rijst op het eerste schaakbood vakje als mi. meest
sprekende voorbeeld. Ik ga nu heel sinnet doen om per 1 juli 2021 wel
klaar te zijn net vaccineren en niet pas in juli 2022.
Wij zijn met 17 200 000 Nederlandse ingezetenen: en dellen zeegen dat
wanneer twee derde van ons gevaccineed is, het virus snel uitde
innuntet. Afgerand zijn dat 12 miljoen ingeënte mense; indien iederen
twee keer geprikt moet worden met tussen moet er 24 miljoen keer geprikt
worden. Die prikken worden gezet door nin of neer geschoold personeel,
artsen, verplegers, paramedics, medische studenten e.d .; ik noem ze
hier prikkers.
Ik zag op TV een oudere huisarts die zei dat hij er, extrapolerend
vanuit griepprik ervaring, 60 per uur goed kan zetten. In mijn aannames
ga ik dat tempo halveren. Hier volgen de model aannames en de eenvoudige
sommen.
Model aanname 1: een prikken per uur zetten bij goede team voorbereiding
en nazorg.
Een week heeft 168 uur, dus afgerond 10 000 minuten. Geniddeld vergt éen
prik 2 minuten, dus vergen 24 miljoen prikken 48 miljoen minuten; deel
dat door de 10 000 niuuten per week en een mikker die continu werkt
heeft (bij aannane 1) 480 weken nodig, Meteen evident: prikken moet in
heel veel paries. Nemen we, GGD (Gemeentelijke Gezondheidsdienst)
achtig, 24 lokaties en rusten we elke lokatie uit neet 10 priksporen,
dan moet elk spoor 20 weken continuten éen keer prikken zetten per week.
Beginnen we midden februari fer moet dan tussen nu en dan heel veel
logistisstorisch werk wor
- source_sentence: Welke vier categorieën worden weergegeven in de gestapelde balken?
sentences:
- >-
De mensen die onder deze uitzondering vallen kunnen veelvuldig te maken
krijgen met vragen van bijvoorbeeld winkeliers of handhavingsbeambten.
- >-
There are four categories represented in the stacked bars: NL excl, AMS,
HGL, and RR.
- >-
Veel nieuwe mensen bij betrokken. Oorspronkelijk ging het om de
teststraat op Schiphol, maar nu verandert de insteek. Bezig met
opstellen van interviewvragen – 5120 heeft een mooie set vragen gemaakt
op basis van literatuur. Vraag blijft of we Schiphol data mee kunnen
nemen in de memo - dat is afhankelijk van tijdlijn VWS (Volksgezondheid,
Welzijn en Sport).
5 1.2e ·
We gaan de vraagstelling voor de verdiepende interviews wat aanpassen:
hoe is de pandemie op iets hoger abstractieniveau geweest?
- source_sentence: >-
Welke redenen van dwingende spoed hebben ervoor gezorgd dat de Minister
een onderhandelingsprocedure zonder voorafgaande bekendmaking heeft
gekozen voor deze overeenkomst?
sentences:
- >-
De Minister heeft deze Overeenkomst opgedragen na een
onderhandelingsprocedure zonder voorafgaande bekendmaking nu de
termijnen voor de openbare of niet openbare procedures of de
mededingingsprocedure met onderhandeling niet in acht kunnen worden
genomen om redenen van dwingende spoed die niet voorzien konden worden
door de Minister (zie ook EC2020/C 1081/01).
- >-
Er hole it zeen extra auto in ite worden gezet (Poluur zaam) en In dat
geval basir segt die alstand minder die 10 jan.
- >-
544917
To: 5.1 .2e 5.1 .2e @labmicta.nl
Cc: 5.1 .2e @gmail.com; 5.1 .2e @gmail.com]; 5.1 .2e 5.1 .2e @labmicta.nl]; 5.1 .2e 5.1 .2e @labmicta.nl
From: 5.1 .2e
Sent: Sat 8/22/2020 1:07:36 PM
Subject: RE: resultaten speekselpanel
Received: Sat 8/22/2020 1:07:37 PM
Verwachte resultaten speeksel panel SARS CoV 2 ronde 1 versie 2.pdf
Beste
Dank je wel voor de resultaten.
De vier monsters die door meeste labs worden gedetecteerd hebben jullie
ook gevonden; en alle drie de methoden van opwerking als zwakke curve
meegerekend wordt. Het ene monster met laagste concentratie virus die
jullie negatief scoren is een educational monster wat door weinig labs
positief wordt gevonden. Bijgevoegd de verwachte resultaten en hieronder
plaatjes van de resultaten van beste methode(s) per lab.
Image /page/0/Figure/5 description: De afbeelding toont een grafiek met
de titel 'Speekselpanel SARS CoV 2'. De grafiek visualiseert Ct waarden
(Cycle threshold) voor verschillende samples, aangeduid als 'Target 1
Sen.SALIVA\_CoV20 XX' en 'Target 2 Sen.SALIVA\_CoV20 XX'. De Ct waarden
variëren van ongeveer 20 tot 40, met enkele uitschieters rond de 50. De
grafiek lijkt de resultaten van een SARS CoV 2 test te presenteren,
waarbij de Ct waarde een indicatie geeft van de virusconcentratie in de
speekselmonsters.
Per laboratorium zijn alleen de twee meest gevoelige targets in deze
grafiek weergegeven. Niet alle laboratoria gebruiken tests waar twee gen
targets gebruikt worden. Ct 50 = artificiële Ct waarde voor een negatief
resultaat. Voor datasets zonder negatieve resultaten is mediaan met IQR
weergegeven.
Image /page/1/Figure/9 description: De afbeelding toont een grafiek met
kwalitatieve resultaten van een speekselpanel voor SARS CoV 2. De
grafiek vergelijkt het percentage labs met een positief resultaat voor
drie verschillende targets: Target 1 (n=21), Target 2 (n=10) en een
positieve uitslag. De x as toont verschillende concentraties, variërend
van Sen.SALIVA\_CoV20 01
- source_sentence: >-
Wanneer kunnen we een gedetailleerd overzicht verwachten van de
effectiviteit van de genomen maatregelen, inclusief de exacte resultaten
en de verwachte voltooiingstijd?
sentences:
- >-
974272
5.1 .2e = s. 1.2e ( 5.1 .2e )[ 5.1 .2e @minvws.nl] To: 5.1 .2e 1.2 5.1 .2e ( 5.1 .2e ( 5.1 .2e) From: Sent: Tue 12/1/2020 9:20:20 AM Subject: RE: akkoord?: annotatie MCC Received: Tue 12/1/2020 9:20:21 AM
Op kamer secretariaat ( ; kom zo even langs
Van 5.1 .2e 5.1 .2e ( 5.1 .2e = 5.1 .2e @minvws.nl> Verzonden: dinsdag 1
december 2020 09:53 Aan: 5.1 .2e 1.2e ( 5.1 .2e ( 5.1 .2e) = 5.1 .2e
@minvws.nl> Onderwerp: FW: akkoord?: annotatie MCC
5.1 .2e , ter info onderstaand.
Waar zit jij vandaag ? Liep al 2 rondjes zonder succes \*
Groeten 5.1 .2e
Verzonden met BlackBerry Work (www.blackberry.com)
Image /page/0/Picture/8 description: De afbeelding is een screenshot van
een e mailheader. De 'Van' regel toont de afzender met het e mailadres `
5.1 [email protected]`. De 'Datum' regel geeft aan dat de e mail is
verzonden op maandag 30 november 2020 om 11:07 PM. De 'Aan' regel bevat
meerdere ontvangers met het e mailadres ` 5.1 [email protected]`, en de
'Kopie' regel bevat ook een ontvanger met het e mailadres ` 5.1
[email protected]`. Het onderwerp van de e mail is 'RE: akkoord?: annotatie
MCC'.
Hi 5.1 .2e
De opzet van risiconiveau zeer emstig in de herijkte routekaart is
nieuw. Risiconiveau zeer ernstig betreft vanianten van een lockdown en
we geven alleen mogelijke verdere beperkingen en geheltelijke sluitingen
met de onderwerpen aan. Maar niet welke verdere beperkingen en dus ook
geen uitzonderingen. Dit omdat het vastleggen van welke maatregelen je
in een lockdown variant gaat treffen ondoenlijk is. De precieze
maatregelen in een lockdown worden tzt geformuleerd in een aparte
ministeriële regeling. Die gaat dan de besluitvomingsprocedure door.
Groeten. 5.1 .2e
Verzonden met BlackBerry Work (www.blackberry.com)
Image /page/0/Picture/13 description: Dit is een screenshot van een e
mailheader. De e mail is verzonden door ` 5.1 .2e` op maandag 30
november 2020 om 10:52 PM. De e mail is gericht aan meerdere ontvangers,
waaronder ` 5.1 .2e` en ` 5.1 [email protected]`. H
- >-
En ik vraag het nog een keer – al moet ik het honderd keer vragen:
wanneer krijgen wij een overzicht ten aanzien van al die maatregelen van
hoeveel mensen er precies zijn en wat voor exacte resultaten zijn
bereikt en wanneer de rest wordt bereikt?
- >-
The y axis represents "IC (Inspectie van het Onderwijs) bezetting" (IC
(Inspectie van het Onderwijs) occupancy), ranging from 0 to 2500.
pipeline_tag: sentence-similarity
library_name: sentence-transformers
metrics:
- cosine_accuracy@1
- cosine_accuracy@5
- cosine_precision@1
- cosine_precision@5
- cosine_recall@1
- cosine_recall@5
- cosine_ndcg@10
- cosine_mrr@10
- cosine_map@10
model-index:
- name: SentenceTransformer
results:
- task:
type: information-retrieval
name: Information Retrieval
dataset:
name: Unknown
type: unknown
metrics:
- type: cosine_accuracy@1
value: 0.8133333333333334
name: Cosine Accuracy@1
- type: cosine_accuracy@5
value: 0.92
name: Cosine Accuracy@5
- type: cosine_precision@1
value: 0.8133333333333334
name: Cosine Precision@1
- type: cosine_precision@5
value: 0.18399999999999997
name: Cosine Precision@5
- type: cosine_recall@1
value: 0.8133333333333334
name: Cosine Recall@1
- type: cosine_recall@5
value: 0.92
name: Cosine Recall@5
- type: cosine_ndcg@10
value: 0.8808263405745779
name: Cosine Ndcg@10
- type: cosine_mrr@10
value: 0.8623928571428572
name: Cosine Mrr@10
- type: cosine_map@10
value: 0.8623928571428572
name: Cosine Map@10
SentenceTransformer
This is a sentence-transformers model trained. 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
- Maximum Sequence Length: 128 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': 128, 'do_lower_case': False}) with Transformer model: RobertaModel
(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("sentence_transformers_model_id")
# Run inference
sentences = [
'Wanneer kunnen we een gedetailleerd overzicht verwachten van de effectiviteit van de genomen maatregelen, inclusief de exacte resultaten en de verwachte voltooiingstijd?',
'En ik vraag het nog een keer – al moet ik het honderd keer vragen: wanneer krijgen wij een overzicht ten aanzien van al die maatregelen van hoeveel mensen er precies zijn en wat voor exacte resultaten zijn bereikt en wanneer de rest wordt bereikt?',
"974272\n\n 5.1 .2e = s. 1.2e ( 5.1 .2e )[ 5.1 .2e @minvws.nl] To: 5.1 .2e 1.2 5.1 .2e ( 5.1 .2e ( 5.1 .2e) From: Sent: Tue 12/1/2020 9:20:20 AM Subject: RE: akkoord?: annotatie MCC Received: Tue 12/1/2020 9:20:21 AM\n\nOp kamer secretariaat ( ; kom zo even langs\n\nVan 5.1 .2e 5.1 .2e ( 5.1 .2e = 5.1 .2e @minvws.nl> Verzonden: dinsdag 1 december 2020 09:53 Aan: 5.1 .2e 1.2e ( 5.1 .2e ( 5.1 .2e) = 5.1 .2e @minvws.nl> Onderwerp: FW: akkoord?: annotatie MCC\n\n 5.1 .2e , ter info onderstaand.\n\nWaar zit jij vandaag ? Liep al 2 rondjes zonder succes \\*\n\nGroeten 5.1 .2e\n\nVerzonden met BlackBerry Work (www.blackberry.com)\n\nImage /page/0/Picture/8 description: De afbeelding is een screenshot van een e mailheader. De 'Van' regel toont de afzender met het e mailadres ` 5.1 [email protected]`. De 'Datum' regel geeft aan dat de e mail is verzonden op maandag 30 november 2020 om 11:07 PM. De 'Aan' regel bevat meerdere ontvangers met het e mailadres ` 5.1 [email protected]`, en de 'Kopie' regel bevat ook een ontvanger met het e mailadres ` 5.1 [email protected]`. Het onderwerp van de e mail is 'RE: akkoord?: annotatie MCC'.\n\n Hi 5.1 .2e\n\nDe opzet van risiconiveau zeer emstig in de herijkte routekaart is nieuw. Risiconiveau zeer ernstig betreft vanianten van een lockdown en we geven alleen mogelijke verdere beperkingen en geheltelijke sluitingen met de onderwerpen aan. Maar niet welke verdere beperkingen en dus ook geen uitzonderingen. Dit omdat het vastleggen van welke maatregelen je in een lockdown variant gaat treffen ondoenlijk is. De precieze maatregelen in een lockdown worden tzt geformuleerd in een aparte ministeriële regeling. Die gaat dan de besluitvomingsprocedure door.\n\nGroeten. 5.1 .2e\n\nVerzonden met BlackBerry Work (www.blackberry.com)\n\nImage /page/0/Picture/13 description: Dit is een screenshot van een e mailheader. De e mail is verzonden door ` 5.1 .2e` op maandag 30 november 2020 om 10:52 PM. De e mail is gericht aan meerdere ontvangers, waaronder ` 5.1 .2e` en ` 5.1 [email protected]`. H",
]
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]
Evaluation
Metrics
Information Retrieval
- Evaluated with
InformationRetrievalEvaluator
Metric | Value |
---|---|
cosine_accuracy@1 | 0.8133 |
cosine_accuracy@5 | 0.92 |
cosine_precision@1 | 0.8133 |
cosine_precision@5 | 0.184 |
cosine_recall@1 | 0.8133 |
cosine_recall@5 | 0.92 |
cosine_ndcg@10 | 0.8808 |
cosine_mrr@10 | 0.8624 |
cosine_map@10 | 0.8624 |
Training Details
Training Dataset
Unnamed Dataset
- Size: 2,700 training samples
- Columns:
anchor
andpositive
- Approximate statistics based on the first 1000 samples:
anchor positive type string string details - min: 7 tokens
- mean: 30.76 tokens
- max: 128 tokens
- min: 3 tokens
- mean: 72.93 tokens
- max: 128 tokens
- Samples:
anchor positive Hoe werd een geschil tussen twee reviewers over classificatie opgelost?
Disagreement between two reviewers on classification was resolved by a third reviewer.
Wat is de rol van de persoon met het e-mailadres 5.1 [email protected] in de validatie van saliva samples voor het detecteren van antistoffen bij kinderen, en hoe verloopt de samenwerking met Sciensano labo in deze studie?
udie ter validatie van saliva sample in kinderen gebruik makend van Euroimmun sero assay
grote seroprevalence studie met herhaaldelijke staal afname voor bepalen van seroprevalentie en incidentie in lagere and middelbare schoolkinderen.
5.1 .2e kan natuurlijk de agenda fine tunen of bijwerken.
De verantwoordelijke van het Sciensano labo en direct betrokken persoon in de validatie in volwassenen van saliva samples zal aanwezig zijn tijdens dit gesprek.
lk dank u zeer om voor uw zuiderburen tijd te maken.
Vriendelijke groeten,
Image /page/1/Figure/14 description: De afbeelding toont een grijze rechthoek met de tekst5.1 .2e
erin. De tekst is waarschijnlijk een referentiecode of een identificatienummer. Het is mogelijk dat dit een aanduiding is voor persoonsgegevens, zoals gespecificeerd in de instructies. De context van de afbeelding is onduidelijk zonder verdere informatie.
Image /page/1/Figure/15 description: De afbeelding toont drie grijze balken van verschillende lengtes....Wat zijn de algemene kennis en bevindingen over hoe een tweede infectie verloopt bij individuen die eerder de ziekte hebben doorgemaakt?
- Loss:
CachedMultipleNegativesRankingLoss
with these parameters:{ "scale": 20.0, "similarity_fct": "cos_sim" }
Training Hyperparameters
Non-Default Hyperparameters
eval_strategy
: epochper_device_train_batch_size
: 128learning_rate
: 2e-05warmup_ratio
: 0.1save_only_model
: Truebf16
: Truedataloader_drop_last
: Trueload_best_model_at_end
: Trueddp_find_unused_parameters
: False
All Hyperparameters
Click to expand
overwrite_output_dir
: Falsedo_predict
: Falseeval_strategy
: epochprediction_loss_only
: Trueper_device_train_batch_size
: 128per_device_eval_batch_size
: 8per_gpu_train_batch_size
: Noneper_gpu_eval_batch_size
: Nonegradient_accumulation_steps
: 1eval_accumulation_steps
: Nonetorch_empty_cache_steps
: Nonelearning_rate
: 2e-05weight_decay
: 0.0adam_beta1
: 0.9adam_beta2
: 0.999adam_epsilon
: 1e-08max_grad_norm
: 1.0num_train_epochs
: 3max_steps
: -1lr_scheduler_type
: linearlr_scheduler_kwargs
: {}warmup_ratio
: 0.1warmup_steps
: 0log_level
: passivelog_level_replica
: warninglog_on_each_node
: Truelogging_nan_inf_filter
: Truesave_safetensors
: Truesave_on_each_node
: Falsesave_only_model
: Truerestore_callback_states_from_checkpoint
: Falseno_cuda
: Falseuse_cpu
: Falseuse_mps_device
: Falseseed
: 42data_seed
: Nonejit_mode_eval
: Falseuse_ipex
: Falsebf16
: Truefp16
: Falsefp16_opt_level
: O1half_precision_backend
: autobf16_full_eval
: Falsefp16_full_eval
: Falsetf32
: Nonelocal_rank
: 0ddp_backend
: Nonetpu_num_cores
: Nonetpu_metrics_debug
: Falsedebug
: []dataloader_drop_last
: Truedataloader_num_workers
: 0dataloader_prefetch_factor
: Nonepast_index
: -1disable_tqdm
: Falseremove_unused_columns
: Truelabel_names
: Noneload_best_model_at_end
: Trueignore_data_skip
: Falsefsdp
: []fsdp_min_num_params
: 0fsdp_config
: {'min_num_params': 0, 'xla': False, 'xla_fsdp_v2': False, 'xla_fsdp_grad_ckpt': False}fsdp_transformer_layer_cls_to_wrap
: Noneaccelerator_config
: {'split_batches': False, 'dispatch_batches': None, 'even_batches': True, 'use_seedable_sampler': True, 'non_blocking': False, 'gradient_accumulation_kwargs': None}deepspeed
: Nonelabel_smoothing_factor
: 0.0optim
: adamw_torchoptim_args
: Noneadafactor
: Falsegroup_by_length
: Falselength_column_name
: lengthddp_find_unused_parameters
: Falseddp_bucket_cap_mb
: Noneddp_broadcast_buffers
: Falsedataloader_pin_memory
: Truedataloader_persistent_workers
: Falseskip_memory_metrics
: Trueuse_legacy_prediction_loop
: Falsepush_to_hub
: Falseresume_from_checkpoint
: Nonehub_model_id
: Nonehub_strategy
: every_savehub_private_repo
: Nonehub_always_push
: Falsegradient_checkpointing
: Falsegradient_checkpointing_kwargs
: Noneinclude_inputs_for_metrics
: Falseinclude_for_metrics
: []eval_do_concat_batches
: Truefp16_backend
: autopush_to_hub_model_id
: Nonepush_to_hub_organization
: Nonemp_parameters
:auto_find_batch_size
: Falsefull_determinism
: Falsetorchdynamo
: Noneray_scope
: lastddp_timeout
: 1800torch_compile
: Falsetorch_compile_backend
: Nonetorch_compile_mode
: Nonedispatch_batches
: Nonesplit_batches
: Noneinclude_tokens_per_second
: Falseinclude_num_input_tokens_seen
: Falseneftune_noise_alpha
: Noneoptim_target_modules
: Nonebatch_eval_metrics
: Falseeval_on_start
: Falseuse_liger_kernel
: Falseeval_use_gather_object
: Falseaverage_tokens_across_devices
: Falseprompts
: Nonebatch_sampler
: batch_samplermulti_dataset_batch_sampler
: proportional
Training Logs
Epoch | Step | Training Loss | cosine_ndcg@10 |
---|---|---|---|
None | 0 | - | 0.8224 |
1.0 | 10 | 1.2493 | 0.8627 |
2.0 | 20 | 0.8853 | 0.8760 |
3.0 | 30 | 0.7618 | 0.8808 |
Framework Versions
- Python: 3.10.12
- Sentence Transformers: 3.4.1
- Transformers: 4.49.0
- PyTorch: 2.5.1+cu124
- Accelerate: 1.4.0
- Datasets: 3.3.2
- 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",
}
CachedMultipleNegativesRankingLoss
@misc{gao2021scaling,
title={Scaling Deep Contrastive Learning Batch Size under Memory Limited Setup},
author={Luyu Gao and Yunyi Zhang and Jiawei Han and Jamie Callan},
year={2021},
eprint={2101.06983},
archivePrefix={arXiv},
primaryClass={cs.LG}
}