metadata
base_model: colorfulscoop/sbert-base-ja
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:53
- loss:CosineSimilarityLoss
widget:
- source_sentence: 水 の 近く の ドック に 2 人 が 座って い ます 。
sentences:
- 黄色 の 自転車 は レース で 他 の 自転車 を リード し ます 。
- 岩 の 上 に 座って いる 二 人
- 彼 ら は 外 に い ます 。
- source_sentence: 薄紫 色 の ドレス と 明るい ホット ピンク の 靴 を 着た 女性 が 、 水 と コーヒー を 飲んで テーブル に 座って い ます 。
sentences:
- 人々 は 宝石 店 で 働いて い ます 。
- ブラインド デート の 女性 が 座って 、 デート が 現れる の を 待ち ます 。
- 二 人 の 男 が 芝生 で パルクール を 練習 して い ます 。
- source_sentence: 数 人 の 男性 が MMA の 戦い に 参加 して い ます 。
sentences:
- フットボール の 試合 を 開始 する 準備 が でき ました
- 男性 は バレエ に 参加 して い ます 。
- 車 は レース 中 です 。
- source_sentence: 4 人 が 見て いる 間 に 、 アジア の カップル が 結婚 して い ます 。
sentences:
- 水 で 泳ぐ 若い 男 。
- 木 を 切り 倒した 後 、 木 の 切り株 に 座って いる 少年 。
- 人々 は 結婚 して い ます 。
- source_sentence: 遊歩道 に 沿って 並ぶ 自転車 。
sentences:
- 男 は 中 の ソファ で 寝て い ます 。
- 人々 は 眼鏡 を かけて い ます
- 自転車 は 遊歩道 近く の ラック に あり ます 。
model-index:
- name: SentenceTransformer based on colorfulscoop/sbert-base-ja
results:
- task:
type: binary-classification
name: Binary Classification
dataset:
name: custom arc semantics data jp
type: custom-arc-semantics-data-jp
metrics:
- type: cosine_accuracy
value: 0.5555555555555556
name: Cosine Accuracy
- type: cosine_accuracy_threshold
value: 0.6945984959602356
name: Cosine Accuracy Threshold
- type: cosine_f1
value: 0.7000000000000001
name: Cosine F1
- type: cosine_f1_threshold
value: 0.5025678277015686
name: Cosine F1 Threshold
- type: cosine_precision
value: 0.56
name: Cosine Precision
- type: cosine_recall
value: 0.9333333333333333
name: Cosine Recall
- type: cosine_ap
value: 0.5061393488629995
name: Cosine Ap
- type: dot_accuracy
value: 0.5555555555555556
name: Dot Accuracy
- type: dot_accuracy_threshold
value: 389.88360595703125
name: Dot Accuracy Threshold
- type: dot_f1
value: 0.7000000000000001
name: Dot F1
- type: dot_f1_threshold
value: 290.5316162109375
name: Dot F1 Threshold
- type: dot_precision
value: 0.56
name: Dot Precision
- type: dot_recall
value: 0.9333333333333333
name: Dot Recall
- type: dot_ap
value: 0.5160094787331293
name: Dot Ap
- type: manhattan_accuracy
value: 0.5925925925925926
name: Manhattan Accuracy
- type: manhattan_accuracy_threshold
value: 417.75958251953125
name: Manhattan Accuracy Threshold
- type: manhattan_f1
value: 0.7000000000000001
name: Manhattan F1
- type: manhattan_f1_threshold
value: 526.9166259765625
name: Manhattan F1 Threshold
- type: manhattan_precision
value: 0.56
name: Manhattan Precision
- type: manhattan_recall
value: 0.9333333333333333
name: Manhattan Recall
- type: manhattan_ap
value: 0.49120872393237447
name: Manhattan Ap
- type: euclidean_accuracy
value: 0.5555555555555556
name: Euclidean Accuracy
- type: euclidean_accuracy_threshold
value: 18.343994140625
name: Euclidean Accuracy Threshold
- type: euclidean_f1
value: 0.7000000000000001
name: Euclidean F1
- type: euclidean_f1_threshold
value: 23.990869522094727
name: Euclidean F1 Threshold
- type: euclidean_precision
value: 0.56
name: Euclidean Precision
- type: euclidean_recall
value: 0.9333333333333333
name: Euclidean Recall
- type: euclidean_ap
value: 0.5013530240766746
name: Euclidean Ap
- type: max_accuracy
value: 0.5925925925925926
name: Max Accuracy
- type: max_accuracy_threshold
value: 417.75958251953125
name: Max Accuracy Threshold
- type: max_f1
value: 0.7000000000000001
name: Max F1
- type: max_f1_threshold
value: 526.9166259765625
name: Max F1 Threshold
- type: max_precision
value: 0.56
name: Max Precision
- type: max_recall
value: 0.9333333333333333
name: Max Recall
- type: max_ap
value: 0.5160094787331293
name: Max Ap
SentenceTransformer based on colorfulscoop/sbert-base-ja
This is a sentence-transformers model finetuned from colorfulscoop/sbert-base-ja on the csv dataset. 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
- Base model: colorfulscoop/sbert-base-ja
- Maximum Sequence Length: 512 tokens
- Output Dimensionality: 768 tokens
- Similarity Function: Cosine Similarity
- Training Dataset:
- csv
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': 512, 'do_lower_case': False}) with Transformer model: BertModel
(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 = [
'遊歩道 に 沿って 並ぶ 自転車 。',
'自転車 は 遊歩道 近く の ラック に あり ます 。',
'人々 は 眼鏡 を かけて い ます',
]
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
Binary Classification
- Dataset:
custom-arc-semantics-data-jp
- Evaluated with
BinaryClassificationEvaluator
Metric | Value |
---|---|
cosine_accuracy | 0.5556 |
cosine_accuracy_threshold | 0.6946 |
cosine_f1 | 0.7 |
cosine_f1_threshold | 0.5026 |
cosine_precision | 0.56 |
cosine_recall | 0.9333 |
cosine_ap | 0.5061 |
dot_accuracy | 0.5556 |
dot_accuracy_threshold | 389.8836 |
dot_f1 | 0.7 |
dot_f1_threshold | 290.5316 |
dot_precision | 0.56 |
dot_recall | 0.9333 |
dot_ap | 0.516 |
manhattan_accuracy | 0.5926 |
manhattan_accuracy_threshold | 417.7596 |
manhattan_f1 | 0.7 |
manhattan_f1_threshold | 526.9166 |
manhattan_precision | 0.56 |
manhattan_recall | 0.9333 |
manhattan_ap | 0.4912 |
euclidean_accuracy | 0.5556 |
euclidean_accuracy_threshold | 18.344 |
euclidean_f1 | 0.7 |
euclidean_f1_threshold | 23.9909 |
euclidean_precision | 0.56 |
euclidean_recall | 0.9333 |
euclidean_ap | 0.5014 |
max_accuracy | 0.5926 |
max_accuracy_threshold | 417.7596 |
max_f1 | 0.7 |
max_f1_threshold | 526.9166 |
max_precision | 0.56 |
max_recall | 0.9333 |
max_ap | 0.516 |
Training Details
Training Dataset
csv
- Dataset: csv
- Size: 53 training samples
- Columns:
text1
,text2
, andlabel
- Approximate statistics based on the first 53 samples:
text1 text2 label type string string int details - min: 14 tokens
- mean: 33.04 tokens
- max: 60 tokens
- min: 11 tokens
- mean: 20.92 tokens
- max: 38 tokens
- 0: ~26.92%
- 1: ~73.08%
- Samples:
text1 text2 label 女性 の グループ が ステージ で 演奏 して い ます 。
パフォーマンス 中 の 女性 。
0
都市 を 歩き 回る 人々 。
歯科 治療 を 行って いる 人 。
1
青い ズボン と 重い 作業 ブーツ を 着た 男性 が 、 レンガ で 舗装 さ れた 通り から 白い 紙 吹雪 を 掃除 して い ます 。
男 が 通り を 掃除 して い ます 。
0
- Loss:
CosineSimilarityLoss
with these parameters:{ "loss_fct": "torch.nn.modules.loss.MSELoss" }
Evaluation Dataset
csv
- Dataset: csv
- Size: 53 evaluation samples
- Columns:
text1
,text2
, andlabel
- Approximate statistics based on the first 53 samples:
text1 text2 label type string string int details - min: 15 tokens
- mean: 39.33 tokens
- max: 84 tokens
- min: 14 tokens
- mean: 23.33 tokens
- max: 38 tokens
- 0: ~44.44%
- 1: ~55.56%
- Samples:
text1 text2 label 岩 の 多い 景色 を 見て 二 人
何 か を 見て いる 二 人 が い ます 。
0
白い ヘルメット と オレンジ色 の シャツ 、 ジーンズ 、 白い トラック と オレンジ色 の パイロン の 前 に 反射 ジャケット を 着た 金髪 の ストリート ワーカー 。
ストリート ワーカー は 保護 具 を 着用 して い ませ ん 。
1
白い 帽子 を かぶった 女性 が 、 鮮やかな 色 の 岩 の 風景 を 描いて い ます 。 岩 層 自体 が 背景 に 見え ます 。
誰 か が 肖像 画 を 描いて い ます 。
1
- Loss:
CosineSimilarityLoss
with these parameters:{ "loss_fct": "torch.nn.modules.loss.MSELoss" }
Training Hyperparameters
Non-Default Hyperparameters
eval_strategy
: epochlearning_rate
: 2e-05num_train_epochs
: 10warmup_ratio
: 0.4fp16
: Truebatch_sampler
: no_duplicates
All Hyperparameters
Click to expand
overwrite_output_dir
: Falsedo_predict
: Falseeval_strategy
: epochprediction_loss_only
: Trueper_device_train_batch_size
: 8per_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
: 10max_steps
: -1lr_scheduler_type
: linearlr_scheduler_kwargs
: {}warmup_ratio
: 0.4warmup_steps
: 0log_level
: passivelog_level_replica
: warninglog_on_each_node
: Truelogging_nan_inf_filter
: Truesave_safetensors
: Truesave_on_each_node
: Falsesave_only_model
: Falserestore_callback_states_from_checkpoint
: Falseno_cuda
: Falseuse_cpu
: Falseuse_mps_device
: Falseseed
: 42data_seed
: Nonejit_mode_eval
: Falseuse_ipex
: Falsebf16
: Falsefp16
: Truefp16_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
: Falsedataloader_num_workers
: 0dataloader_prefetch_factor
: Nonepast_index
: -1disable_tqdm
: Falseremove_unused_columns
: Truelabel_names
: Noneload_best_model_at_end
: Falseignore_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
: Noneddp_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
: Falsehub_always_push
: Falsegradient_checkpointing
: Falsegradient_checkpointing_kwargs
: Noneinclude_inputs_for_metrics
: Falseeval_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
: Falseeval_use_gather_object
: Falsebatch_sampler
: no_duplicatesmulti_dataset_batch_sampler
: proportional
Training Logs
Epoch | Step | Training Loss | loss | custom-arc-semantics-data-jp_max_ap |
---|---|---|---|---|
1.0 | 4 | 0.2549 | 0.3547 | 0.4586 |
2.0 | 8 | 0.231 | 0.3545 | 0.4616 |
3.0 | 12 | 0.1942 | 0.3536 | 0.4666 |
4.0 | 16 | 0.1491 | 0.3513 | 0.4823 |
5.0 | 20 | 0.1094 | 0.3467 | 0.4865 |
6.0 | 24 | 0.0845 | 0.3416 | 0.5026 |
7.0 | 28 | 0.0664 | 0.3365 | 0.5171 |
8.0 | 32 | 0.0573 | 0.3329 | 0.5160 |
9.0 | 36 | 0.0456 | 0.3309 | 0.5160 |
10.0 | 40 | 0.0399 | 0.3302 | 0.5160 |
Framework Versions
- Python: 3.10.14
- Sentence Transformers: 3.1.0
- Transformers: 4.44.2
- PyTorch: 2.4.1+cu121
- Accelerate: 0.34.2
- Datasets: 2.20.0
- 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",
}