Add new SentenceTransformer model
Browse files- 1_Pooling/config.json +10 -0
- README.md +413 -0
- config.json +25 -0
- config_sentence_transformers.json +10 -0
- model.safetensors +3 -0
- modules.json +14 -0
- sentence_bert_config.json +4 -0
- special_tokens_map.json +37 -0
- tokenizer_config.json +64 -0
- vocab.txt +0 -0
1_Pooling/config.json
ADDED
@@ -0,0 +1,10 @@
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
+
{
|
2 |
+
"word_embedding_dimension": 768,
|
3 |
+
"pooling_mode_cls_token": true,
|
4 |
+
"pooling_mode_mean_tokens": false,
|
5 |
+
"pooling_mode_max_tokens": false,
|
6 |
+
"pooling_mode_mean_sqrt_len_tokens": false,
|
7 |
+
"pooling_mode_weightedmean_tokens": false,
|
8 |
+
"pooling_mode_lasttoken": false,
|
9 |
+
"include_prompt": true
|
10 |
+
}
|
README.md
ADDED
@@ -0,0 +1,413 @@
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
+
---
|
2 |
+
tags:
|
3 |
+
- sentence-transformers
|
4 |
+
- sentence-similarity
|
5 |
+
- feature-extraction
|
6 |
+
- generated_from_trainer
|
7 |
+
- dataset_size:5777
|
8 |
+
- loss:BatchAllTripletLoss
|
9 |
+
base_model: cl-nagoya/sup-simcse-ja-base
|
10 |
+
widget:
|
11 |
+
- source_sentence: 科目:金属。名称:ライニング壁スチールパネル。
|
12 |
+
sentences:
|
13 |
+
- 科目:金属。名称:内壁-内壁EXP・Jカバー壁B。
|
14 |
+
- 科目:鉄骨。名称:滑り支承用耐火被覆-FK。
|
15 |
+
- 科目:既製コンクリート。名称:地下二重壁押出成型セメントパネル。
|
16 |
+
- source_sentence: 科目:金属。名称:地下1階湧水槽3タラップA。
|
17 |
+
sentences:
|
18 |
+
- 科目:金属。名称:ブラインドボックス下り天井軽量鉄骨天井下地。
|
19 |
+
- 科目:ユニット及びその他。名称:P-#フロア案内サインA。
|
20 |
+
- 科目:建具。名称:AW-#欄間FIX窓付引違い窓。
|
21 |
+
- source_sentence: 科目:内外装。名称:天井廻縁。
|
22 |
+
sentences:
|
23 |
+
- 科目:植栽。名称:客土。
|
24 |
+
- 科目:ユニット及びその他。名称:P-#室名サインB。
|
25 |
+
- 科目:土工。名称:埋戻し(A種)。
|
26 |
+
- source_sentence: 科目:内外装。名称:4F議場壁化粧吸音板。
|
27 |
+
sentences:
|
28 |
+
- 科目:地業。名称:建設発生土処分。
|
29 |
+
- 科目:免震。名称:SS#免震装置設置手間。
|
30 |
+
- 科目:地業。名称:施工費(P1)。
|
31 |
+
- source_sentence: 科目:土工。名称:水替。
|
32 |
+
sentences:
|
33 |
+
- 科目:既製コンクリート。名称:地下二重壁押出成型セメントパネル足元金物。
|
34 |
+
- 科目:木工。名称:4F議場木製リブ(一般部)。
|
35 |
+
- 科目:既製コンクリート。名称:押出成形セメント板水抜パイプ。
|
36 |
+
pipeline_tag: sentence-similarity
|
37 |
+
library_name: sentence-transformers
|
38 |
+
---
|
39 |
+
|
40 |
+
# SentenceTransformer based on cl-nagoya/sup-simcse-ja-base
|
41 |
+
|
42 |
+
This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [cl-nagoya/sup-simcse-ja-base](https://huggingface.co/cl-nagoya/sup-simcse-ja-base). 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.
|
43 |
+
|
44 |
+
## Model Details
|
45 |
+
|
46 |
+
### Model Description
|
47 |
+
- **Model Type:** Sentence Transformer
|
48 |
+
- **Base model:** [cl-nagoya/sup-simcse-ja-base](https://huggingface.co/cl-nagoya/sup-simcse-ja-base) <!-- at revision d7315d93baf2c20fffa2b6845330049963509f79 -->
|
49 |
+
- **Maximum Sequence Length:** 512 tokens
|
50 |
+
- **Output Dimensionality:** 768 dimensions
|
51 |
+
- **Similarity Function:** Cosine Similarity
|
52 |
+
<!-- - **Training Dataset:** Unknown -->
|
53 |
+
<!-- - **Language:** Unknown -->
|
54 |
+
<!-- - **License:** Unknown -->
|
55 |
+
|
56 |
+
### Model Sources
|
57 |
+
|
58 |
+
- **Documentation:** [Sentence Transformers Documentation](https://sbert.net)
|
59 |
+
- **Repository:** [Sentence Transformers on GitHub](https://github.com/UKPLab/sentence-transformers)
|
60 |
+
- **Hugging Face:** [Sentence Transformers on Hugging Face](https://huggingface.co/models?library=sentence-transformers)
|
61 |
+
|
62 |
+
### Full Model Architecture
|
63 |
+
|
64 |
+
```
|
65 |
+
SentenceTransformer(
|
66 |
+
(0): Transformer({'max_seq_length': 512, 'do_lower_case': False}) with Transformer model: BertModel
|
67 |
+
(1): Pooling({'word_embedding_dimension': 768, 'pooling_mode_cls_token': True, 'pooling_mode_mean_tokens': False, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False, 'pooling_mode_weightedmean_tokens': False, 'pooling_mode_lasttoken': False, 'include_prompt': True})
|
68 |
+
)
|
69 |
+
```
|
70 |
+
|
71 |
+
## Usage
|
72 |
+
|
73 |
+
### Direct Usage (Sentence Transformers)
|
74 |
+
|
75 |
+
First install the Sentence Transformers library:
|
76 |
+
|
77 |
+
```bash
|
78 |
+
pip install -U sentence-transformers
|
79 |
+
```
|
80 |
+
|
81 |
+
Then you can load this model and run inference.
|
82 |
+
```python
|
83 |
+
from sentence_transformers import SentenceTransformer
|
84 |
+
|
85 |
+
# Download from the 🤗 Hub
|
86 |
+
model = SentenceTransformer("Detomo/cl-nagoya-sup-simcse-ja-for-standard-name-v1_0")
|
87 |
+
# Run inference
|
88 |
+
sentences = [
|
89 |
+
'科目:土工。名称:水替。',
|
90 |
+
'科目:既製コンクリート。名称:押出成形セメント板水抜パイプ。',
|
91 |
+
'科目:既製コンクリート。名称:地下二重壁押出成型セメントパネル足元金物。',
|
92 |
+
]
|
93 |
+
embeddings = model.encode(sentences)
|
94 |
+
print(embeddings.shape)
|
95 |
+
# [3, 768]
|
96 |
+
|
97 |
+
# Get the similarity scores for the embeddings
|
98 |
+
similarities = model.similarity(embeddings, embeddings)
|
99 |
+
print(similarities.shape)
|
100 |
+
# [3, 3]
|
101 |
+
```
|
102 |
+
|
103 |
+
<!--
|
104 |
+
### Direct Usage (Transformers)
|
105 |
+
|
106 |
+
<details><summary>Click to see the direct usage in Transformers</summary>
|
107 |
+
|
108 |
+
</details>
|
109 |
+
-->
|
110 |
+
|
111 |
+
<!--
|
112 |
+
### Downstream Usage (Sentence Transformers)
|
113 |
+
|
114 |
+
You can finetune this model on your own dataset.
|
115 |
+
|
116 |
+
<details><summary>Click to expand</summary>
|
117 |
+
|
118 |
+
</details>
|
119 |
+
-->
|
120 |
+
|
121 |
+
<!--
|
122 |
+
### Out-of-Scope Use
|
123 |
+
|
124 |
+
*List how the model may foreseeably be misused and address what users ought not to do with the model.*
|
125 |
+
-->
|
126 |
+
|
127 |
+
<!--
|
128 |
+
## Bias, Risks and Limitations
|
129 |
+
|
130 |
+
*What are the known or foreseeable issues stemming from this model? You could also flag here known failure cases or weaknesses of the model.*
|
131 |
+
-->
|
132 |
+
|
133 |
+
<!--
|
134 |
+
### Recommendations
|
135 |
+
|
136 |
+
*What are recommendations with respect to the foreseeable issues? For example, filtering explicit content.*
|
137 |
+
-->
|
138 |
+
|
139 |
+
## Training Details
|
140 |
+
|
141 |
+
### Training Dataset
|
142 |
+
|
143 |
+
#### Unnamed Dataset
|
144 |
+
|
145 |
+
|
146 |
+
* Size: 5,777 training samples
|
147 |
+
* Columns: <code>sentence</code> and <code>label</code>
|
148 |
+
* Approximate statistics based on the first 1000 samples:
|
149 |
+
| | sentence | label |
|
150 |
+
|:--------|:-----------------------------------------------------------------------------------|:------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
|
151 |
+
| type | string | int |
|
152 |
+
| details | <ul><li>min: 11 tokens</li><li>mean: 17.53 tokens</li><li>max: 29 tokens</li></ul> | <ul><li>0: ~0.10%</li><li>1: ~0.10%</li><li>2: ~0.10%</li><li>3: ~0.10%</li><li>4: ~0.10%</li><li>5: ~0.10%</li><li>6: ~0.10%</li><li>7: ~0.10%</li><li>8: ~0.10%</li><li>9: ~0.10%</li><li>10: ~0.10%</li><li>11: ~0.10%</li><li>12: ~0.10%</li><li>13: ~0.10%</li><li>14: ~0.10%</li><li>15: ~0.10%</li><li>16: ~0.10%</li><li>17: ~0.10%</li><li>18: ~0.10%</li><li>19: ~0.10%</li><li>20: ~0.10%</li><li>21: ~0.10%</li><li>22: ~0.10%</li><li>23: ~0.10%</li><li>24: ~0.10%</li><li>25: ~0.10%</li><li>26: ~0.10%</li><li>27: ~0.10%</li><li>28: ~0.10%</li><li>29: ~0.10%</li><li>30: ~0.10%</li><li>31: ~0.10%</li><li>32: ~0.20%</li><li>33: ~0.10%</li><li>34: ~0.10%</li><li>35: ~0.10%</li><li>36: ~0.10%</li><li>37: ~0.60%</li><li>38: ~0.40%</li><li>39: ~0.10%</li><li>40: ~0.10%</li><li>41: ~0.10%</li><li>42: ~0.10%</li><li>43: ~0.20%</li><li>44: ~0.10%</li><li>45: ~0.10%</li><li>46: ~0.10%</li><li>47: ~0.10%</li><li>48: ~0.10%</li><li>49: ~0.10%</li><li>50: ~0.10%</li><li>51: ~0.10%</li><li>52: ~0.10%</li><li>53: ~0.20%</li><li>54: ~0.10%</li><li>55: ~0.10%</li><li>56: ~0.20%</li><li>57: ~0.10%</li><li>58: ~0.50%</li><li>59: ~0.50%</li><li>60: ~0.10%</li><li>61: ~0.10%</li><li>62: ~0.10%</li><li>63: ~0.10%</li><li>64: ~0.10%</li><li>65: ~0.10%</li><li>66: ~0.10%</li><li>67: ~0.10%</li><li>68: ~0.10%</li><li>69: ~0.10%</li><li>70: ~0.10%</li><li>71: ~0.10%</li><li>72: ~0.10%</li><li>73: ~0.10%</li><li>74: ~0.10%</li><li>75: ~0.10%</li><li>76: ~0.20%</li><li>77: ~0.10%</li><li>78: ~0.10%</li><li>79: ~0.10%</li><li>80: ~0.10%</li><li>81: ~0.10%</li><li>82: ~0.10%</li><li>83: ~0.10%</li><li>84: ~0.20%</li><li>85: ~0.10%</li><li>86: ~0.10%</li><li>87: ~0.20%</li><li>88: ~0.10%</li><li>89: ~0.10%</li><li>90: ~0.10%</li><li>91: ~0.10%</li><li>92: ~0.10%</li><li>93: ~0.10%</li><li>94: ~0.20%</li><li>95: ~0.20%</li><li>96: ~0.10%</li><li>97: ~0.20%</li><li>98: ~0.10%</li><li>99: ~0.20%</li><li>100: ~0.10%</li><li>101: ~0.30%</li><li>102: ~0.60%</li><li>103: ~0.10%</li><li>104: ~1.00%</li><li>105: ~0.10%</li><li>106: ~0.10%</li><li>107: ~0.10%</li><li>108: ~0.10%</li><li>109: ~0.20%</li><li>110: ~0.10%</li><li>111: ~0.20%</li><li>112: ~0.20%</li><li>113: ~0.10%</li><li>114: ~0.10%</li><li>115: ~0.10%</li><li>116: ~0.10%</li><li>117: ~0.10%</li><li>118: ~0.10%</li><li>119: ~0.10%</li><li>120: ~0.20%</li><li>121: ~0.10%</li><li>122: ~0.10%</li><li>123: ~0.10%</li><li>124: ~0.10%</li><li>125: ~0.10%</li><li>126: ~0.10%</li><li>127: ~0.10%</li><li>128: ~0.10%</li><li>129: ~0.10%</li><li>130: ~0.40%</li><li>131: ~0.10%</li><li>132: ~0.10%</li><li>133: ~0.20%</li><li>134: ~0.20%</li><li>135: ~0.20%</li><li>136: ~0.20%</li><li>137: ~0.10%</li><li>138: ~0.10%</li><li>139: ~0.10%</li><li>140: ~0.10%</li><li>141: ~0.10%</li><li>142: ~0.10%</li><li>143: ~0.20%</li><li>144: ~0.10%</li><li>145: ~0.10%</li><li>146: ~0.10%</li><li>147: ~0.10%</li><li>148: ~0.10%</li><li>149: ~0.10%</li><li>150: ~0.10%</li><li>151: ~0.20%</li><li>152: ~0.10%</li><li>153: ~0.10%</li><li>154: ~0.20%</li><li>155: ~0.10%</li><li>156: ~0.10%</li><li>157: ~0.10%</li><li>158: ~0.20%</li><li>159: ~0.20%</li><li>160: ~0.10%</li><li>161: ~0.10%</li><li>162: ~0.20%</li><li>163: ~0.20%</li><li>164: ~0.10%</li><li>165: ~0.10%</li><li>166: ~0.10%</li><li>167: ~0.10%</li><li>168: ~0.10%</li><li>169: ~0.10%</li><li>170: ~0.10%</li><li>171: ~0.10%</li><li>172: ~0.10%</li><li>173: ~0.10%</li><li>174: ~0.20%</li><li>175: ~0.10%</li><li>176: ~0.10%</li><li>177: ~0.10%</li><li>178: ~0.10%</li><li>179: ~0.10%</li><li>180: ~0.10%</li><li>181: ~0.10%</li><li>182: ~0.10%</li><li>183: ~0.10%</li><li>184: ~0.10%</li><li>185: ~0.10%</li><li>186: ~0.10%</li><li>187: ~0.10%</li><li>188: ~0.10%</li><li>189: ~0.10%</li><li>190: ~0.10%</li><li>191: ~0.20%</li><li>192: ~0.20%</li><li>193: ~0.10%</li><li>194: ~0.20%</li><li>195: ~0.10%</li><li>196: ~0.10%</li><li>197: ~0.10%</li><li>198: ~0.10%</li><li>199: ~0.20%</li><li>200: ~0.20%</li><li>201: ~0.10%</li><li>202: ~0.10%</li><li>203: ~0.10%</li><li>204: ~0.10%</li><li>205: ~0.10%</li><li>206: ~0.10%</li><li>207: ~0.10%</li><li>208: ~0.10%</li><li>209: ~0.10%</li><li>210: ~0.10%</li><li>211: ~0.10%</li><li>212: ~0.10%</li><li>213: ~2.30%</li><li>214: ~1.10%</li><li>215: ~0.10%</li><li>216: ~0.10%</li><li>217: ~0.10%</li><li>218: ~0.20%</li><li>219: ~0.10%</li><li>220: ~0.30%</li><li>221: ~0.50%</li><li>222: ~0.10%</li><li>223: ~0.20%</li><li>224: ~0.10%</li><li>225: ~0.10%</li><li>226: ~0.20%</li><li>227: ~0.10%</li><li>228: ~0.30%</li><li>229: ~0.10%</li><li>230: ~0.10%</li><li>231: ~0.10%</li><li>232: ~0.10%</li><li>233: ~0.20%</li><li>234: ~0.10%</li><li>235: ~0.10%</li><li>236: ~0.10%</li><li>237: ~0.10%</li><li>238: ~0.10%</li><li>239: ~0.10%</li><li>240: ~0.10%</li><li>241: ~0.10%</li><li>242: ~0.10%</li><li>243: ~0.10%</li><li>244: ~0.10%</li><li>245: ~0.10%</li><li>246: ~0.20%</li><li>247: ~0.10%</li><li>248: ~0.10%</li><li>249: ~0.10%</li><li>250: ~0.10%</li><li>251: ~0.10%</li><li>252: ~0.10%</li><li>253: ~0.10%</li><li>254: ~0.10%</li><li>255: ~0.30%</li><li>256: ~0.10%</li><li>257: ~0.40%</li><li>258: ~0.10%</li><li>259: ~0.10%</li><li>260: ~0.10%</li><li>261: ~0.10%</li><li>262: ~0.20%</li><li>263: ~0.20%</li><li>264: ~0.20%</li><li>265: ~0.10%</li><li>266: ~0.30%</li><li>267: ~0.20%</li><li>268: ~0.10%</li><li>269: ~0.10%</li><li>270: ~0.10%</li><li>271: ~0.10%</li><li>272: ~0.10%</li><li>273: ~0.30%</li><li>274: ~0.10%</li><li>275: ~0.10%</li><li>276: ~0.10%</li><li>277: ~0.10%</li><li>278: ~0.20%</li><li>279: ~0.10%</li><li>280: ~0.20%</li><li>281: ~0.10%</li><li>282: ~0.10%</li><li>283: ~0.10%</li><li>284: ~0.10%</li><li>285: ~0.10%</li><li>286: ~0.10%</li><li>287: ~0.10%</li><li>288: ~0.10%</li><li>289: ~0.10%</li><li>290: ~0.10%</li><li>291: ~0.10%</li><li>292: ~0.10%</li><li>293: ~0.10%</li><li>294: ~0.20%</li><li>295: ~0.10%</li><li>296: ~0.10%</li><li>297: ~0.10%</li><li>298: ~0.10%</li><li>299: ~0.20%</li><li>300: ~0.20%</li><li>301: ~0.10%</li><li>302: ~0.10%</li><li>303: ~0.10%</li><li>304: ~0.10%</li><li>305: ~0.10%</li><li>306: ~0.10%</li><li>307: ~0.30%</li><li>308: ~0.10%</li><li>309: ~0.10%</li><li>310: ~0.10%</li><li>311: ~0.10%</li><li>312: ~0.10%</li><li>313: ~0.10%</li><li>314: ~0.10%</li><li>315: ~0.10%</li><li>316: ~0.10%</li><li>317: ~0.10%</li><li>318: ~0.10%</li><li>319: ~0.20%</li><li>320: ~0.10%</li><li>321: ~0.10%</li><li>322: ~0.10%</li><li>323: ~0.10%</li><li>324: ~0.10%</li><li>325: ~0.10%</li><li>326: ~0.20%</li><li>327: ~0.10%</li><li>328: ~0.10%</li><li>329: ~0.10%</li><li>330: ~0.10%</li><li>331: ~0.10%</li><li>332: ~0.20%</li><li>333: ~0.10%</li><li>334: ~0.10%</li><li>335: ~0.10%</li><li>336: ~0.30%</li><li>337: ~0.60%</li><li>338: ~0.80%</li><li>339: ~0.50%</li><li>340: ~1.40%</li><li>341: ~0.70%</li><li>342: ~0.10%</li><li>343: ~0.10%</li><li>344: ~0.10%</li><li>345: ~1.00%</li><li>346: ~0.20%</li><li>347: ~0.10%</li><li>348: ~1.10%</li><li>349: ~0.10%</li><li>350: ~0.10%</li><li>351: ~0.10%</li><li>352: ~0.10%</li><li>353: ~1.10%</li><li>354: ~0.10%</li><li>355: ~0.10%</li><li>356: ~0.20%</li><li>357: ~0.10%</li><li>358: ~0.20%</li><li>359: ~0.10%</li><li>360: ~0.10%</li><li>361: ~0.10%</li><li>362: ~0.10%</li><li>363: ~0.10%</li><li>364: ~0.10%</li><li>365: ~0.10%</li><li>366: ~0.20%</li><li>367: ~0.10%</li><li>368: ~0.10%</li><li>369: ~0.10%</li><li>370: ~0.10%</li><li>371: ~0.10%</li><li>372: ~0.10%</li><li>373: ~0.10%</li><li>374: ~0.10%</li><li>375: ~0.10%</li><li>376: ~0.20%</li><li>377: ~0.10%</li><li>378: ~0.10%</li><li>379: ~0.20%</li><li>380: ~0.10%</li><li>381: ~0.20%</li><li>382: ~0.10%</li><li>383: ~0.10%</li><li>384: ~0.10%</li><li>385: ~0.10%</li><li>386: ~0.10%</li><li>387: ~0.10%</li><li>388: ~0.20%</li><li>389: ~0.30%</li><li>390: ~0.20%</li><li>391: ~0.10%</li><li>392: ~0.20%</li><li>393: ~0.10%</li><li>394: ~0.10%</li><li>395: ~0.10%</li><li>396: ~0.10%</li><li>397: ~0.10%</li><li>398: ~0.30%</li><li>399: ~0.10%</li><li>400: ~0.30%</li><li>401: ~0.10%</li><li>402: ~0.10%</li><li>403: ~0.10%</li><li>404: ~0.10%</li><li>405: ~0.10%</li><li>406: ~0.10%</li><li>407: ~0.10%</li><li>408: ~0.10%</li><li>409: ~0.10%</li><li>410: ~0.20%</li><li>411: ~0.20%</li><li>412: ~0.80%</li><li>413: ~0.20%</li><li>414: ~0.20%</li><li>415: ~0.10%</li><li>416: ~0.10%</li><li>417: ~0.90%</li><li>418: ~0.10%</li><li>419: ~0.10%</li><li>420: ~0.10%</li><li>421: ~0.10%</li><li>422: ~0.10%</li><li>423: ~1.00%</li><li>424: ~0.10%</li><li>425: ~0.10%</li><li>426: ~0.30%</li><li>427: ~0.10%</li><li>428: ~0.30%</li><li>429: ~0.10%</li><li>430: ~0.10%</li><li>431: ~0.10%</li><li>432: ~0.20%</li><li>433: ~0.10%</li><li>434: ~0.10%</li><li>435: ~0.20%</li><li>436: ~0.10%</li><li>437: ~0.10%</li><li>438: ~0.20%</li><li>439: ~0.10%</li><li>440: ~0.20%</li><li>441: ~0.10%</li><li>442: ~0.10%</li><li>443: ~0.10%</li><li>444: ~0.10%</li><li>445: ~0.10%</li><li>446: ~0.10%</li><li>447: ~0.10%</li><li>448: ~0.20%</li><li>449: ~0.20%</li><li>450: ~0.10%</li><li>451: ~0.10%</li><li>452: ~0.30%</li><li>453: ~0.20%</li><li>454: ~0.10%</li><li>455: ~0.10%</li><li>456: ~0.10%</li><li>457: ~0.70%</li><li>458: ~0.20%</li><li>459: ~0.50%</li><li>460: ~0.20%</li><li>461: ~0.10%</li><li>462: ~0.10%</li><li>463: ~0.40%</li><li>464: ~0.60%</li><li>465: ~0.20%</li><li>466: ~0.10%</li><li>467: ~0.20%</li><li>468: ~0.10%</li><li>469: ~0.10%</li><li>470: ~0.10%</li><li>471: ~0.10%</li><li>472: ~0.10%</li><li>473: ~0.10%</li><li>474: ~0.10%</li><li>475: ~0.20%</li><li>476: ~0.10%</li><li>477: ~0.10%</li><li>478: ~0.10%</li><li>479: ~0.10%</li><li>480: ~0.10%</li><li>481: ~0.10%</li><li>482: ~0.10%</li><li>483: ~0.10%</li><li>484: ~0.10%</li><li>485: ~0.10%</li><li>486: ~0.10%</li><li>487: ~0.10%</li><li>488: ~0.40%</li><li>489: ~0.10%</li><li>490: ~0.10%</li><li>491: ~0.10%</li><li>492: ~0.10%</li><li>493: ~0.10%</li><li>494: ~0.10%</li><li>495: ~0.10%</li><li>496: ~0.20%</li><li>497: ~0.20%</li><li>498: ~0.10%</li><li>499: ~0.10%</li><li>500: ~0.20%</li><li>501: ~0.10%</li><li>502: ~0.20%</li><li>503: ~0.10%</li><li>504: ~0.10%</li><li>505: ~0.20%</li><li>506: ~0.20%</li><li>507: ~0.20%</li><li>508: ~0.10%</li><li>509: ~0.10%</li><li>510: ~0.10%</li><li>511: ~0.10%</li><li>512: ~0.10%</li><li>513: ~0.10%</li><li>514: ~0.40%</li><li>515: ~0.30%</li><li>516: ~0.10%</li><li>517: ~0.10%</li><li>518: ~0.10%</li><li>519: ~0.20%</li><li>520: ~0.20%</li><li>521: ~0.20%</li><li>522: ~0.20%</li><li>523: ~0.10%</li><li>524: ~0.10%</li><li>525: ~0.10%</li><li>526: ~0.10%</li><li>527: ~0.10%</li><li>528: ~0.10%</li><li>529: ~0.10%</li><li>530: ~0.10%</li><li>531: ~0.10%</li><li>532: ~0.10%</li><li>533: ~0.10%</li><li>534: ~0.10%</li><li>535: ~0.10%</li><li>536: ~0.10%</li><li>537: ~0.10%</li><li>538: ~0.10%</li><li>539: ~0.10%</li><li>540: ~0.10%</li><li>541: ~0.10%</li><li>542: ~0.20%</li><li>543: ~0.10%</li><li>544: ~0.10%</li><li>545: ~0.20%</li><li>546: ~0.10%</li><li>547: ~0.10%</li><li>548: ~0.10%</li><li>549: ~0.10%</li><li>550: ~0.10%</li><li>551: ~0.10%</li><li>552: ~0.10%</li><li>553: ~0.10%</li><li>554: ~0.10%</li><li>555: ~0.10%</li><li>556: ~0.10%</li><li>557: ~0.10%</li><li>558: ~0.10%</li><li>559: ~0.10%</li><li>560: ~0.10%</li><li>561: ~0.10%</li><li>562: ~0.10%</li><li>563: ~0.10%</li><li>564: ~0.10%</li><li>565: ~0.10%</li><li>566: ~0.10%</li><li>567: ~0.10%</li><li>568: ~0.10%</li><li>569: ~0.10%</li><li>570: ~0.10%</li><li>571: ~0.10%</li><li>572: ~0.10%</li><li>573: ~0.10%</li><li>574: ~0.10%</li><li>575: ~0.10%</li><li>576: ~0.10%</li><li>577: ~0.10%</li><li>578: ~0.10%</li><li>579: ~0.10%</li><li>580: ~0.10%</li><li>581: ~0.10%</li><li>582: ~0.10%</li><li>583: ~0.10%</li><li>584: ~0.10%</li><li>585: ~0.10%</li><li>586: ~0.10%</li><li>587: ~0.10%</li><li>588: ~0.10%</li><li>589: ~0.10%</li><li>590: ~0.10%</li><li>591: ~0.10%</li><li>592: ~0.10%</li><li>593: ~0.10%</li><li>594: ~0.10%</li><li>595: ~0.10%</li><li>596: ~0.10%</li><li>597: ~0.10%</li><li>598: ~0.10%</li><li>599: ~0.10%</li><li>600: ~0.10%</li><li>601: ~0.10%</li><li>602: ~0.10%</li><li>603: ~0.10%</li><li>604: ~0.10%</li><li>605: ~0.10%</li><li>606: ~0.10%</li><li>607: ~0.10%</li><li>608: ~0.10%</li><li>609: ~0.10%</li><li>610: ~0.10%</li><li>611: ~0.10%</li><li>612: ~0.10%</li><li>613: ~0.10%</li><li>614: ~0.10%</li><li>615: ~0.10%</li><li>616: ~0.10%</li><li>617: ~0.10%</li><li>618: ~0.10%</li><li>619: ~0.10%</li><li>620: ~0.10%</li><li>621: ~0.10%</li><li>622: ~0.10%</li><li>623: ~0.10%</li><li>624: ~0.10%</li><li>625: ~0.10%</li><li>626: ~0.10%</li><li>627: ~0.10%</li><li>628: ~0.10%</li><li>629: ~0.10%</li><li>630: ~0.10%</li><li>631: ~0.10%</li><li>632: ~0.10%</li><li>633: ~0.10%</li><li>634: ~0.20%</li><li>635: ~0.10%</li><li>636: ~0.10%</li><li>637: ~0.10%</li><li>638: ~0.10%</li><li>639: ~0.10%</li><li>640: ~0.10%</li><li>641: ~0.10%</li><li>642: ~0.10%</li><li>643: ~0.10%</li><li>644: ~0.10%</li><li>645: ~0.10%</li><li>646: ~0.10%</li><li>647: ~0.10%</li><li>648: ~0.10%</li><li>649: ~0.10%</li><li>650: ~0.10%</li><li>651: ~0.10%</li><li>652: ~0.10%</li><li>653: ~0.10%</li><li>654: ~0.10%</li><li>655: ~0.10%</li><li>656: ~0.10%</li><li>657: ~0.10%</li><li>658: ~0.10%</li><li>659: ~0.10%</li><li>660: ~0.10%</li><li>661: ~0.10%</li><li>662: ~0.10%</li><li>663: ~0.10%</li><li>664: ~0.10%</li><li>665: ~0.10%</li><li>666: ~0.20%</li><li>667: ~0.10%</li><li>668: ~0.10%</li><li>669: ~0.10%</li><li>670: ~0.10%</li><li>671: ~0.10%</li><li>672: ~0.10%</li><li>673: ~0.10%</li><li>674: ~0.10%</li><li>675: ~0.10%</li><li>676: ~0.10%</li><li>677: ~0.10%</li><li>678: ~0.10%</li><li>679: ~0.10%</li><li>680: ~0.10%</li><li>681: ~0.10%</li><li>682: ~0.10%</li><li>683: ~0.20%</li><li>684: ~0.10%</li><li>685: ~0.10%</li><li>686: ~0.10%</li><li>687: ~0.10%</li><li>688: ~0.10%</li><li>689: ~0.10%</li><li>690: ~0.10%</li><li>691: ~0.10%</li><li>692: ~0.10%</li><li>693: ~0.10%</li><li>694: ~0.10%</li></ul> |
|
153 |
+
* Samples:
|
154 |
+
| sentence | label |
|
155 |
+
|:-----------------------------------|:---------------|
|
156 |
+
| <code>科目:共通仮設費。名称:仮囲い。</code> | <code>0</code> |
|
157 |
+
| <code>科目:共通仮設費。名称:電動パネルゲート。</code> | <code>1</code> |
|
158 |
+
| <code>科目:共通仮設費。名称:タワークレーン。</code> | <code>2</code> |
|
159 |
+
* Loss: [<code>BatchAllTripletLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#batchalltripletloss)
|
160 |
+
|
161 |
+
### Training Hyperparameters
|
162 |
+
#### Non-Default Hyperparameters
|
163 |
+
|
164 |
+
- `per_device_train_batch_size`: 256
|
165 |
+
- `per_device_eval_batch_size`: 256
|
166 |
+
- `learning_rate`: 1e-05
|
167 |
+
- `weight_decay`: 0.01
|
168 |
+
- `num_train_epochs`: 200
|
169 |
+
- `warmup_ratio`: 0.1
|
170 |
+
- `fp16`: True
|
171 |
+
- `batch_sampler`: group_by_label
|
172 |
+
|
173 |
+
#### All Hyperparameters
|
174 |
+
<details><summary>Click to expand</summary>
|
175 |
+
|
176 |
+
- `overwrite_output_dir`: False
|
177 |
+
- `do_predict`: False
|
178 |
+
- `eval_strategy`: no
|
179 |
+
- `prediction_loss_only`: True
|
180 |
+
- `per_device_train_batch_size`: 256
|
181 |
+
- `per_device_eval_batch_size`: 256
|
182 |
+
- `per_gpu_train_batch_size`: None
|
183 |
+
- `per_gpu_eval_batch_size`: None
|
184 |
+
- `gradient_accumulation_steps`: 1
|
185 |
+
- `eval_accumulation_steps`: None
|
186 |
+
- `torch_empty_cache_steps`: None
|
187 |
+
- `learning_rate`: 1e-05
|
188 |
+
- `weight_decay`: 0.01
|
189 |
+
- `adam_beta1`: 0.9
|
190 |
+
- `adam_beta2`: 0.999
|
191 |
+
- `adam_epsilon`: 1e-08
|
192 |
+
- `max_grad_norm`: 1.0
|
193 |
+
- `num_train_epochs`: 200
|
194 |
+
- `max_steps`: -1
|
195 |
+
- `lr_scheduler_type`: linear
|
196 |
+
- `lr_scheduler_kwargs`: {}
|
197 |
+
- `warmup_ratio`: 0.1
|
198 |
+
- `warmup_steps`: 0
|
199 |
+
- `log_level`: passive
|
200 |
+
- `log_level_replica`: warning
|
201 |
+
- `log_on_each_node`: True
|
202 |
+
- `logging_nan_inf_filter`: True
|
203 |
+
- `save_safetensors`: True
|
204 |
+
- `save_on_each_node`: False
|
205 |
+
- `save_only_model`: False
|
206 |
+
- `restore_callback_states_from_checkpoint`: False
|
207 |
+
- `no_cuda`: False
|
208 |
+
- `use_cpu`: False
|
209 |
+
- `use_mps_device`: False
|
210 |
+
- `seed`: 42
|
211 |
+
- `data_seed`: None
|
212 |
+
- `jit_mode_eval`: False
|
213 |
+
- `use_ipex`: False
|
214 |
+
- `bf16`: False
|
215 |
+
- `fp16`: True
|
216 |
+
- `fp16_opt_level`: O1
|
217 |
+
- `half_precision_backend`: auto
|
218 |
+
- `bf16_full_eval`: False
|
219 |
+
- `fp16_full_eval`: False
|
220 |
+
- `tf32`: None
|
221 |
+
- `local_rank`: 0
|
222 |
+
- `ddp_backend`: None
|
223 |
+
- `tpu_num_cores`: None
|
224 |
+
- `tpu_metrics_debug`: False
|
225 |
+
- `debug`: []
|
226 |
+
- `dataloader_drop_last`: False
|
227 |
+
- `dataloader_num_workers`: 0
|
228 |
+
- `dataloader_prefetch_factor`: None
|
229 |
+
- `past_index`: -1
|
230 |
+
- `disable_tqdm`: False
|
231 |
+
- `remove_unused_columns`: True
|
232 |
+
- `label_names`: None
|
233 |
+
- `load_best_model_at_end`: False
|
234 |
+
- `ignore_data_skip`: False
|
235 |
+
- `fsdp`: []
|
236 |
+
- `fsdp_min_num_params`: 0
|
237 |
+
- `fsdp_config`: {'min_num_params': 0, 'xla': False, 'xla_fsdp_v2': False, 'xla_fsdp_grad_ckpt': False}
|
238 |
+
- `fsdp_transformer_layer_cls_to_wrap`: None
|
239 |
+
- `accelerator_config`: {'split_batches': False, 'dispatch_batches': None, 'even_batches': True, 'use_seedable_sampler': True, 'non_blocking': False, 'gradient_accumulation_kwargs': None}
|
240 |
+
- `deepspeed`: None
|
241 |
+
- `label_smoothing_factor`: 0.0
|
242 |
+
- `optim`: adamw_torch
|
243 |
+
- `optim_args`: None
|
244 |
+
- `adafactor`: False
|
245 |
+
- `group_by_length`: False
|
246 |
+
- `length_column_name`: length
|
247 |
+
- `ddp_find_unused_parameters`: None
|
248 |
+
- `ddp_bucket_cap_mb`: None
|
249 |
+
- `ddp_broadcast_buffers`: False
|
250 |
+
- `dataloader_pin_memory`: True
|
251 |
+
- `dataloader_persistent_workers`: False
|
252 |
+
- `skip_memory_metrics`: True
|
253 |
+
- `use_legacy_prediction_loop`: False
|
254 |
+
- `push_to_hub`: False
|
255 |
+
- `resume_from_checkpoint`: None
|
256 |
+
- `hub_model_id`: None
|
257 |
+
- `hub_strategy`: every_save
|
258 |
+
- `hub_private_repo`: None
|
259 |
+
- `hub_always_push`: False
|
260 |
+
- `gradient_checkpointing`: False
|
261 |
+
- `gradient_checkpointing_kwargs`: None
|
262 |
+
- `include_inputs_for_metrics`: False
|
263 |
+
- `include_for_metrics`: []
|
264 |
+
- `eval_do_concat_batches`: True
|
265 |
+
- `fp16_backend`: auto
|
266 |
+
- `push_to_hub_model_id`: None
|
267 |
+
- `push_to_hub_organization`: None
|
268 |
+
- `mp_parameters`:
|
269 |
+
- `auto_find_batch_size`: False
|
270 |
+
- `full_determinism`: False
|
271 |
+
- `torchdynamo`: None
|
272 |
+
- `ray_scope`: last
|
273 |
+
- `ddp_timeout`: 1800
|
274 |
+
- `torch_compile`: False
|
275 |
+
- `torch_compile_backend`: None
|
276 |
+
- `torch_compile_mode`: None
|
277 |
+
- `dispatch_batches`: None
|
278 |
+
- `split_batches`: None
|
279 |
+
- `include_tokens_per_second`: False
|
280 |
+
- `include_num_input_tokens_seen`: False
|
281 |
+
- `neftune_noise_alpha`: None
|
282 |
+
- `optim_target_modules`: None
|
283 |
+
- `batch_eval_metrics`: False
|
284 |
+
- `eval_on_start`: False
|
285 |
+
- `use_liger_kernel`: False
|
286 |
+
- `eval_use_gather_object`: False
|
287 |
+
- `average_tokens_across_devices`: False
|
288 |
+
- `prompts`: None
|
289 |
+
- `batch_sampler`: group_by_label
|
290 |
+
- `multi_dataset_batch_sampler`: proportional
|
291 |
+
|
292 |
+
</details>
|
293 |
+
|
294 |
+
### Training Logs
|
295 |
+
| Epoch | Step | Training Loss |
|
296 |
+
|:--------:|:----:|:-------------:|
|
297 |
+
| 3.0870 | 20 | 0.8892 |
|
298 |
+
| 6.1739 | 40 | 0.8935 |
|
299 |
+
| 9.2609 | 60 | 0.862 |
|
300 |
+
| 13.0870 | 80 | 0.803 |
|
301 |
+
| 16.1739 | 100 | 0.8154 |
|
302 |
+
| 19.2609 | 120 | 0.7741 |
|
303 |
+
| 23.0870 | 140 | 0.7383 |
|
304 |
+
| 26.1739 | 160 | 0.7381 |
|
305 |
+
| 29.2609 | 180 | 0.7082 |
|
306 |
+
| 33.0870 | 200 | 0.6593 |
|
307 |
+
| 36.1739 | 220 | 0.6816 |
|
308 |
+
| 39.2609 | 240 | 0.6507 |
|
309 |
+
| 43.0870 | 260 | 0.6357 |
|
310 |
+
| 46.1739 | 280 | 0.643 |
|
311 |
+
| 49.2609 | 300 | 0.6336 |
|
312 |
+
| 53.0870 | 320 | 0.6392 |
|
313 |
+
| 56.1739 | 340 | 0.6153 |
|
314 |
+
| 59.2609 | 360 | 0.6385 |
|
315 |
+
| 63.0870 | 380 | 0.6034 |
|
316 |
+
| 66.1739 | 400 | 0.6194 |
|
317 |
+
| 69.2609 | 420 | 0.6334 |
|
318 |
+
| 73.0870 | 440 | 0.5934 |
|
319 |
+
| 76.1739 | 460 | 0.6216 |
|
320 |
+
| 79.2609 | 480 | 0.6211 |
|
321 |
+
| 83.0870 | 500 | 0.5974 |
|
322 |
+
| 86.1739 | 520 | 0.6612 |
|
323 |
+
| 89.2609 | 540 | 0.5143 |
|
324 |
+
| 93.0870 | 560 | 0.5871 |
|
325 |
+
| 96.1739 | 580 | 0.5752 |
|
326 |
+
| 99.2609 | 600 | 0.5661 |
|
327 |
+
| 103.0870 | 620 | 0.5879 |
|
328 |
+
| 106.1739 | 640 | 0.5866 |
|
329 |
+
| 109.2609 | 660 | 0.5677 |
|
330 |
+
| 113.0870 | 680 | 0.4864 |
|
331 |
+
| 116.1739 | 700 | 0.5891 |
|
332 |
+
| 119.2609 | 720 | 0.617 |
|
333 |
+
| 123.0870 | 740 | 0.5785 |
|
334 |
+
| 126.1739 | 760 | 0.534 |
|
335 |
+
| 129.2609 | 780 | 0.5854 |
|
336 |
+
| 133.0870 | 800 | 0.5971 |
|
337 |
+
| 136.1739 | 820 | 0.5309 |
|
338 |
+
| 139.2609 | 840 | 0.5514 |
|
339 |
+
| 143.0870 | 860 | 0.5656 |
|
340 |
+
| 146.1739 | 880 | 0.5106 |
|
341 |
+
| 149.2609 | 900 | 0.4831 |
|
342 |
+
| 153.0870 | 920 | 0.497 |
|
343 |
+
| 156.1739 | 940 | 0.4606 |
|
344 |
+
| 159.2609 | 960 | 0.4699 |
|
345 |
+
| 163.0870 | 980 | 0.5007 |
|
346 |
+
| 166.1739 | 1000 | 0.5483 |
|
347 |
+
| 169.2609 | 1020 | 0.4527 |
|
348 |
+
| 173.0870 | 1040 | 0.448 |
|
349 |
+
| 176.1739 | 1060 | 0.4639 |
|
350 |
+
| 179.2609 | 1080 | 0.6067 |
|
351 |
+
| 183.0870 | 1100 | 0.4516 |
|
352 |
+
| 186.1739 | 1120 | 0.4747 |
|
353 |
+
| 189.2609 | 1140 | 0.4732 |
|
354 |
+
| 193.0870 | 1160 | 0.5844 |
|
355 |
+
| 196.1739 | 1180 | 0.4461 |
|
356 |
+
| 199.2609 | 1200 | 0.4609 |
|
357 |
+
|
358 |
+
|
359 |
+
### Framework Versions
|
360 |
+
- Python: 3.11.11
|
361 |
+
- Sentence Transformers: 3.3.1
|
362 |
+
- Transformers: 4.48.3
|
363 |
+
- PyTorch: 2.5.1+cu124
|
364 |
+
- Accelerate: 1.3.0
|
365 |
+
- Datasets: 3.3.2
|
366 |
+
- Tokenizers: 0.21.0
|
367 |
+
|
368 |
+
## Citation
|
369 |
+
|
370 |
+
### BibTeX
|
371 |
+
|
372 |
+
#### Sentence Transformers
|
373 |
+
```bibtex
|
374 |
+
@inproceedings{reimers-2019-sentence-bert,
|
375 |
+
title = "Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks",
|
376 |
+
author = "Reimers, Nils and Gurevych, Iryna",
|
377 |
+
booktitle = "Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing",
|
378 |
+
month = "11",
|
379 |
+
year = "2019",
|
380 |
+
publisher = "Association for Computational Linguistics",
|
381 |
+
url = "https://arxiv.org/abs/1908.10084",
|
382 |
+
}
|
383 |
+
```
|
384 |
+
|
385 |
+
#### BatchAllTripletLoss
|
386 |
+
```bibtex
|
387 |
+
@misc{hermans2017defense,
|
388 |
+
title={In Defense of the Triplet Loss for Person Re-Identification},
|
389 |
+
author={Alexander Hermans and Lucas Beyer and Bastian Leibe},
|
390 |
+
year={2017},
|
391 |
+
eprint={1703.07737},
|
392 |
+
archivePrefix={arXiv},
|
393 |
+
primaryClass={cs.CV}
|
394 |
+
}
|
395 |
+
```
|
396 |
+
|
397 |
+
<!--
|
398 |
+
## Glossary
|
399 |
+
|
400 |
+
*Clearly define terms in order to be accessible across audiences.*
|
401 |
+
-->
|
402 |
+
|
403 |
+
<!--
|
404 |
+
## Model Card Authors
|
405 |
+
|
406 |
+
*Lists the people who create the model card, providing recognition and accountability for the detailed work that goes into its construction.*
|
407 |
+
-->
|
408 |
+
|
409 |
+
<!--
|
410 |
+
## Model Card Contact
|
411 |
+
|
412 |
+
*Provides a way for people who have updates to the Model Card, suggestions, or questions, to contact the Model Card authors.*
|
413 |
+
-->
|
config.json
ADDED
@@ -0,0 +1,25 @@
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
+
{
|
2 |
+
"_name_or_path": "/content/gdrive/MyDrive/Colab Folder/NSS/models/cl-nagoya-sup-simcse-ja-for-standard-name-v1_0",
|
3 |
+
"architectures": [
|
4 |
+
"BertModel"
|
5 |
+
],
|
6 |
+
"attention_probs_dropout_prob": 0.1,
|
7 |
+
"classifier_dropout": null,
|
8 |
+
"hidden_act": "gelu",
|
9 |
+
"hidden_dropout_prob": 0.1,
|
10 |
+
"hidden_size": 768,
|
11 |
+
"initializer_range": 0.02,
|
12 |
+
"intermediate_size": 3072,
|
13 |
+
"layer_norm_eps": 1e-12,
|
14 |
+
"max_position_embeddings": 512,
|
15 |
+
"model_type": "bert",
|
16 |
+
"num_attention_heads": 12,
|
17 |
+
"num_hidden_layers": 12,
|
18 |
+
"pad_token_id": 0,
|
19 |
+
"position_embedding_type": "absolute",
|
20 |
+
"torch_dtype": "float32",
|
21 |
+
"transformers_version": "4.48.3",
|
22 |
+
"type_vocab_size": 2,
|
23 |
+
"use_cache": true,
|
24 |
+
"vocab_size": 32768
|
25 |
+
}
|
config_sentence_transformers.json
ADDED
@@ -0,0 +1,10 @@
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
+
{
|
2 |
+
"__version__": {
|
3 |
+
"sentence_transformers": "3.3.1",
|
4 |
+
"transformers": "4.48.3",
|
5 |
+
"pytorch": "2.5.1+cu124"
|
6 |
+
},
|
7 |
+
"prompts": {},
|
8 |
+
"default_prompt_name": null,
|
9 |
+
"similarity_fn_name": "cosine"
|
10 |
+
}
|
model.safetensors
ADDED
@@ -0,0 +1,3 @@
|
|
|
|
|
|
|
|
|
1 |
+
version https://git-lfs.github.com/spec/v1
|
2 |
+
oid sha256:320c5b0dced37315f00a93d5d4bf1c26af5a30f61082ab341af970116945918f
|
3 |
+
size 444851048
|
modules.json
ADDED
@@ -0,0 +1,14 @@
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
+
[
|
2 |
+
{
|
3 |
+
"idx": 0,
|
4 |
+
"name": "0",
|
5 |
+
"path": "",
|
6 |
+
"type": "sentence_transformers.models.Transformer"
|
7 |
+
},
|
8 |
+
{
|
9 |
+
"idx": 1,
|
10 |
+
"name": "1",
|
11 |
+
"path": "1_Pooling",
|
12 |
+
"type": "sentence_transformers.models.Pooling"
|
13 |
+
}
|
14 |
+
]
|
sentence_bert_config.json
ADDED
@@ -0,0 +1,4 @@
|
|
|
|
|
|
|
|
|
|
|
1 |
+
{
|
2 |
+
"max_seq_length": 512,
|
3 |
+
"do_lower_case": false
|
4 |
+
}
|
special_tokens_map.json
ADDED
@@ -0,0 +1,37 @@
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
+
{
|
2 |
+
"cls_token": {
|
3 |
+
"content": "[CLS]",
|
4 |
+
"lstrip": false,
|
5 |
+
"normalized": false,
|
6 |
+
"rstrip": false,
|
7 |
+
"single_word": false
|
8 |
+
},
|
9 |
+
"mask_token": {
|
10 |
+
"content": "[MASK]",
|
11 |
+
"lstrip": false,
|
12 |
+
"normalized": false,
|
13 |
+
"rstrip": false,
|
14 |
+
"single_word": false
|
15 |
+
},
|
16 |
+
"pad_token": {
|
17 |
+
"content": "[PAD]",
|
18 |
+
"lstrip": false,
|
19 |
+
"normalized": false,
|
20 |
+
"rstrip": false,
|
21 |
+
"single_word": false
|
22 |
+
},
|
23 |
+
"sep_token": {
|
24 |
+
"content": "[SEP]",
|
25 |
+
"lstrip": false,
|
26 |
+
"normalized": false,
|
27 |
+
"rstrip": false,
|
28 |
+
"single_word": false
|
29 |
+
},
|
30 |
+
"unk_token": {
|
31 |
+
"content": "[UNK]",
|
32 |
+
"lstrip": false,
|
33 |
+
"normalized": false,
|
34 |
+
"rstrip": false,
|
35 |
+
"single_word": false
|
36 |
+
}
|
37 |
+
}
|
tokenizer_config.json
ADDED
@@ -0,0 +1,64 @@
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
+
{
|
2 |
+
"added_tokens_decoder": {
|
3 |
+
"0": {
|
4 |
+
"content": "[PAD]",
|
5 |
+
"lstrip": false,
|
6 |
+
"normalized": false,
|
7 |
+
"rstrip": false,
|
8 |
+
"single_word": false,
|
9 |
+
"special": true
|
10 |
+
},
|
11 |
+
"1": {
|
12 |
+
"content": "[UNK]",
|
13 |
+
"lstrip": false,
|
14 |
+
"normalized": false,
|
15 |
+
"rstrip": false,
|
16 |
+
"single_word": false,
|
17 |
+
"special": true
|
18 |
+
},
|
19 |
+
"2": {
|
20 |
+
"content": "[CLS]",
|
21 |
+
"lstrip": false,
|
22 |
+
"normalized": false,
|
23 |
+
"rstrip": false,
|
24 |
+
"single_word": false,
|
25 |
+
"special": true
|
26 |
+
},
|
27 |
+
"3": {
|
28 |
+
"content": "[SEP]",
|
29 |
+
"lstrip": false,
|
30 |
+
"normalized": false,
|
31 |
+
"rstrip": false,
|
32 |
+
"single_word": false,
|
33 |
+
"special": true
|
34 |
+
},
|
35 |
+
"4": {
|
36 |
+
"content": "[MASK]",
|
37 |
+
"lstrip": false,
|
38 |
+
"normalized": false,
|
39 |
+
"rstrip": false,
|
40 |
+
"single_word": false,
|
41 |
+
"special": true
|
42 |
+
}
|
43 |
+
},
|
44 |
+
"clean_up_tokenization_spaces": true,
|
45 |
+
"cls_token": "[CLS]",
|
46 |
+
"do_lower_case": false,
|
47 |
+
"do_subword_tokenize": true,
|
48 |
+
"do_word_tokenize": true,
|
49 |
+
"extra_special_tokens": {},
|
50 |
+
"jumanpp_kwargs": null,
|
51 |
+
"mask_token": "[MASK]",
|
52 |
+
"mecab_kwargs": {
|
53 |
+
"mecab_dic": "unidic_lite"
|
54 |
+
},
|
55 |
+
"model_max_length": 512,
|
56 |
+
"never_split": null,
|
57 |
+
"pad_token": "[PAD]",
|
58 |
+
"sep_token": "[SEP]",
|
59 |
+
"subword_tokenizer_type": "wordpiece",
|
60 |
+
"sudachi_kwargs": null,
|
61 |
+
"tokenizer_class": "BertJapaneseTokenizer",
|
62 |
+
"unk_token": "[UNK]",
|
63 |
+
"word_tokenizer_type": "mecab"
|
64 |
+
}
|
vocab.txt
ADDED
The diff for this file is too large to render.
See raw diff
|
|