--- base_model: jhgan/ko-sroberta-multitask datasets: [] language: [] library_name: sentence-transformers pipeline_tag: sentence-similarity tags: - sentence-transformers - sentence-similarity - feature-extraction - generated_from_trainer - dataset_size:7634 - loss:MultipleNegativesRankingLoss widget: - source_sentence: 필름디지털 SLR카메라를 다루는 방법을 익혀 창의력있는 사진 촬영부터 기초적인 컴퓨터 sentences: - 회진 매일 월 오리엔테이션 POMR케이스발표 외래참관 가정의학 총론 강의 화 외래참관 - 이해하기 퀴즈 배열 이해하기 이미지와 카메라의 활용 본인 작업 계획 발표 - 익히면서 통계학의 기초 개념과 원리를 익혀보는 것은 이론적으로 접근하는 것만큼 중요한 - source_sentence: 선택 삽입정렬 구현 실습과제 상향식 힙 생성 구현 힙 정렬 구현유일키 sentences: - 서양의학사 세기 의학의 발전 지역사회의학 실험실의학바이넘 서양의학사 현충일 우리나라 현대 의학의 - 섬유예술의 기초기법 실습 위빙 표현연구 섬유예술의 기초기법 기법 소개 페이퍼 메이킹Paper - 개념 힙의 구현과 연산 우선순위큐 힙 연산의 복잡도 분석 힙 정렬 - source_sentence: 군밤타령 경복궁 타령 실습 강원도 아리랑 sentences: - 추가 강의 동영상으로 보강 대체 밀집성 천체물리학 Ch 창립 주년 기념일 - 분석 보고서 제출마감시한 월 일 밤 시 기획기사 분석 보고서 발표 - 또한 극한점 수렴성 거리 연속성 연결성 컴팩트성 - source_sentence: 이야기가 담긴 몸 창작 작업 스토리텔링 일상에서 발견한 소소한 움직임들 창작 sentences: - 이해 및 실습 사전 훈련 모델Pretrained Model 활용 실습 Object Detection - 본인의 관심사를 공유하고 이야기를 나누고 덧붙이고 덜어내고 편집하여 거대한 이야기로 완성합니다 - 트랜스미디어 스토리텔링의 유형소형 금 트랜스미디어 스토리텔링의 두 가지 유형 중 소형에 - source_sentence: 행위의 개념 로서의 조형 실습 시멘트 석고 모래 물 입체덩어리 세우기 sentences: - 움직임을 강건하게 만드는 체력운동과 적극적인 공 방 기술을 익힌다 - 특히 르네상스 종교개혁 시민혁명 내셔널리즘과 통일 국가의 형성 등의 주요 - 추석 연휴 회전축에 대한 관성 모멘트 관성모멘트 측정 중등물리실험 전류가 만드는 --- # SentenceTransformer based on jhgan/ko-sroberta-multitask This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [jhgan/ko-sroberta-multitask](https://huggingface.co/jhgan/ko-sroberta-multitask). 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:** [jhgan/ko-sroberta-multitask](https://huggingface.co/jhgan/ko-sroberta-multitask) - **Maximum Sequence Length:** 128 tokens - **Output Dimensionality:** 768 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: 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: ```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("jh8416/my_ewha_model_2024_1") # Run inference sentences = [ '행위의 개념 로서의 조형 실습 시멘트 석고 모래 물 입체덩어리 세우기', '추석 연휴 회전축에 대한 관성 모멘트 관성모멘트 측정 중등물리실험 전류가 만드는', '움직임을 강건하게 만드는 체력운동과 적극적인 공 방 기술을 익힌다', ] 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] ``` ## Training Details ### Training Dataset #### Unnamed Dataset * Size: 7,634 training samples * Columns: sentence_0 and sentence_1 * Approximate statistics based on the first 1000 samples: | | sentence_0 | sentence_1 | |:--------|:----------------------------------------------------------------------------------|:----------------------------------------------------------------------------------| | type | string | string | | details | | | * Samples: | sentence_0 | sentence_1 | |:-----------------------------------------|:---------------------------------------------------------| | 딥러닝은 머신러닝 기법의 일부로 사물이나 데이터를 | 밸런스를 향상을 위한 트레이닝 방법 트레이닝실습 팀 프로젝트 트레이닝 실습 팀 | | 딥러닝은 머신러닝 기법의 일부로 사물이나 데이터를 | 딥러닝 딥러닝의 역사 프로젝트 발표 인공 | | 딥러닝은 머신러닝 기법의 일부로 사물이나 데이터를 | 딥러닝 기반 의료영상 응용연구 동향 신태훈 | * Loss: [MultipleNegativesRankingLoss](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#multiplenegativesrankingloss) with these parameters: ```json { "scale": 20.0, "similarity_fct": "cos_sim" } ``` ### Training Hyperparameters #### Non-Default Hyperparameters - `per_device_train_batch_size`: 16 - `per_device_eval_batch_size`: 16 - `num_train_epochs`: 1 - `multi_dataset_batch_sampler`: round_robin #### All Hyperparameters
Click to expand - `overwrite_output_dir`: False - `do_predict`: False - `eval_strategy`: no - `prediction_loss_only`: True - `per_device_train_batch_size`: 16 - `per_device_eval_batch_size`: 16 - `per_gpu_train_batch_size`: None - `per_gpu_eval_batch_size`: None - `gradient_accumulation_steps`: 1 - `eval_accumulation_steps`: None - `torch_empty_cache_steps`: None - `learning_rate`: 5e-05 - `weight_decay`: 0.0 - `adam_beta1`: 0.9 - `adam_beta2`: 0.999 - `adam_epsilon`: 1e-08 - `max_grad_norm`: 1 - `num_train_epochs`: 1 - `max_steps`: -1 - `lr_scheduler_type`: linear - `lr_scheduler_kwargs`: {} - `warmup_ratio`: 0.0 - `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`: False - `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 - `eval_use_gather_object`: False - `batch_sampler`: batch_sampler - `multi_dataset_batch_sampler`: round_robin
### Framework Versions - Python: 3.12.0 - Sentence Transformers: 3.0.1 - Transformers: 4.43.3 - PyTorch: 2.4.0+cu121 - Accelerate: 0.33.0 - Datasets: 2.20.0 - Tokenizers: 0.19.1 ## Citation ### BibTeX #### Sentence Transformers ```bibtex @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", } ``` #### MultipleNegativesRankingLoss ```bibtex @misc{henderson2017efficient, title={Efficient Natural Language Response Suggestion for Smart Reply}, author={Matthew Henderson and Rami Al-Rfou and Brian Strope and Yun-hsuan Sung and Laszlo Lukacs and Ruiqi Guo and Sanjiv Kumar and Balint Miklos and Ray Kurzweil}, year={2017}, eprint={1705.00652}, archivePrefix={arXiv}, primaryClass={cs.CL} } ```