---
language:
- de
- en
- es
- fr
- it
- nl
- pl
- pt
- ru
- zh
tags:
- sentence-transformers
- sentence-similarity
- feature-extraction
- generated_from_trainer
- dataset_size:5749
- loss:CosineSimilarityLoss
base_model: almanach/camembert-bio-base
widget:
- source_sentence: Nous nous déplaçons "... par rapport au cadre de repos cosmique
en mouvement ... à environ 371 km/s vers la constellation du Lion".
sentences:
- La dame a fait frire la viande panée dans de l'huile chaude.
- Il n'y a pas d'alambic qui ne soit pas relatif à un autre objet.
- Le joueur de basket-ball est sur le point de marquer des points pour son équipe.
- source_sentence: Le professeur Burkhauser a effectué des recherches approfondies
sur les personnes qui sont pénalisées par l'augmentation du salaire minimum.
sentences:
- Un adolescent parle à une fille par le biais d'une webcam.
- Une femme est en train de couper des oignons verts.
- Les lois sur le salaire minimum nuisent le plus aux personnes les moins qualifiées
et les moins productives.
- source_sentence: Bien que le terme "reine" puisse faire référence à la fois à la
reine régente (souveraine) ou à la reine consort, le roi a toujours été le souverain.
sentences:
- Des moutons paissent dans le champ devant une rangée d'arbres.
- Il y a une très bonne raison de ne pas appeler le conjoint de la Reine "Roi" -
parce qu'il n'est pas le Roi.
- Un groupe de personnes âgées pose autour d'une table à manger.
- source_sentence: Deux pygargues à tête blanche perchés sur une branche.
sentences:
- Un groupe de militaires joue dans un quintette de cuivres.
- Deux aigles sont perchés sur une branche.
- Un homme qui joue de la guitare sous la pluie.
- source_sentence: Un homme joue de la guitare.
sentences:
- Il est possible qu'un système solaire comme le nôtre existe en dehors d'une galaxie.
- Un homme joue de la flûte.
- Un homme est en train de manger une banane.
datasets:
- PhilipMay/stsb_multi_mt
pipeline_tag: sentence-similarity
library_name: sentence-transformers
metrics:
- pearson_cosine
- spearman_cosine
model-index:
- name: SentenceTransformer based on almanach/camembert-bio-base
results:
- task:
type: semantic-similarity
name: Semantic Similarity
dataset:
name: sts dev
type: sts-dev
metrics:
- type: pearson_cosine
value: 0.8542312221536079
name: Pearson Cosine
- type: spearman_cosine
value: 0.8527667445679299
name: Spearman Cosine
---
# SentenceTransformer based on almanach/camembert-bio-base
This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [almanach/camembert-bio-base](https://huggingface.co/almanach/camembert-bio-base) on the [stsb_multi_mt](https://huggingface.co/datasets/PhilipMay/stsb_multi_mt) 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:** [almanach/camembert-bio-base](https://huggingface.co/almanach/camembert-bio-base)
- **Maximum Sequence Length:** 512 tokens
- **Output Dimensionality:** 768 dimensions
- **Similarity Function:** Cosine Similarity
- **Training Dataset:**
- [stsb_multi_mt](https://huggingface.co/datasets/PhilipMay/stsb_multi_mt)
- **Languages:** de, en, es, fr, it, nl, pl, pt, ru, zh
### 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': 512, 'do_lower_case': False}) with Transformer model: CamembertModel
(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("sentence_transformers_model_id")
# Run inference
sentences = [
'Un homme joue de la guitare.',
'Un homme est en train de manger une banane.',
'Un homme joue de la flûte.',
]
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
#### Semantic Similarity
* Dataset: `sts-dev`
* Evaluated with [EmbeddingSimilarityEvaluator](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.EmbeddingSimilarityEvaluator)
| Metric | Value |
|:--------------------|:-----------|
| pearson_cosine | 0.8542 |
| **spearman_cosine** | **0.8528** |
## Training Details
### Training Dataset
#### stsb_multi_mt
* Dataset: [stsb_multi_mt](https://huggingface.co/datasets/PhilipMay/stsb_multi_mt) at [3acaa3d](https://huggingface.co/datasets/PhilipMay/stsb_multi_mt/tree/3acaa3dd8c91649e0b8e627ffad891f059e47c8c)
* Size: 5,749 training samples
* Columns: sentence1, sentence2, and score
* Approximate statistics based on the first 1000 samples:
| | sentence1 | sentence2 | score |
|:--------|:----------------------------------------------------------------------------------|:----------------------------------------------------------------------------------|:---------------------------------------------------------------|
| type | string | string | float |
| details | - min: 7 tokens
- mean: 17.84 tokens
- max: 67 tokens
| - min: 6 tokens
- mean: 17.75 tokens
- max: 58 tokens
| - min: 0.0
- mean: 0.54
- max: 1.0
|
* Samples:
| sentence1 | sentence2 | score |
|:----------------------------------------------------------------------------------------|:------------------------------------------------------------------------------------------|:---------------------------------|
| Cinq morts dans l'effondrement d'un immeuble en Chine | Au moins 20 personnes tuées en Syrie samedi | 0.03999999910593033 |
| Les usines qui fonctionnaient grâce à la coopération coréenne se taisent | La Corée du Nord et la Corée du Sud rompent leur silence par des pourparlers | 0.20000000298023224 |
| Seamus Heaney, poète irlandais de la terre et des conflits, meurt à 74 ans | Seamus Heaney, poète irlandais et prix Nobel, meurt à 74 ans | 0.9600000381469727 |
* Loss: [CosineSimilarityLoss](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#cosinesimilarityloss) with these parameters:
```json
{
"loss_fct": "torch.nn.modules.loss.MSELoss"
}
```
### Evaluation Dataset
#### stsb_multi_mt
* Dataset: [stsb_multi_mt](https://huggingface.co/datasets/PhilipMay/stsb_multi_mt) at [3acaa3d](https://huggingface.co/datasets/PhilipMay/stsb_multi_mt/tree/3acaa3dd8c91649e0b8e627ffad891f059e47c8c)
* Size: 1,500 evaluation samples
* Columns: sentence1, sentence2, and score
* Approximate statistics based on the first 1000 samples:
| | sentence1 | sentence2 | score |
|:--------|:----------------------------------------------------------------------------------|:----------------------------------------------------------------------------------|:---------------------------------------------------------------|
| type | string | string | float |
| details | - min: 6 tokens
- mean: 17.45 tokens
- max: 52 tokens
| - min: 6 tokens
- mean: 17.35 tokens
- max: 48 tokens
| - min: 0.0
- mean: 0.42
- max: 1.0
|
* Samples:
| sentence1 | sentence2 | score |
|:-------------------------------------------------------------------------|:----------------------------------------------------------------------------|:-------------------------------|
| Un homme avec un casque de sécurité est en train de danser. | Un homme portant un casque de sécurité est en train de danser. | 1.0 |
| Un jeune enfant monte à cheval. | Un enfant monte à cheval. | 0.949999988079071 |
| Un homme donne une souris à un serpent. | L'homme donne une souris au serpent. | 1.0 |
* Loss: [CosineSimilarityLoss](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#cosinesimilarityloss) with these parameters:
```json
{
"loss_fct": "torch.nn.modules.loss.MSELoss"
}
```
### Training Hyperparameters
#### Non-Default Hyperparameters
- `eval_strategy`: steps
- `per_device_train_batch_size`: 128
- `per_device_eval_batch_size`: 16
- `learning_rate`: 3e-05
- `num_train_epochs`: 15
- `warmup_ratio`: 0.1
- `fp16`: True
- `load_best_model_at_end`: True
#### All Hyperparameters
Click to expand
- `overwrite_output_dir`: False
- `do_predict`: False
- `eval_strategy`: steps
- `prediction_loss_only`: True
- `per_device_train_batch_size`: 128
- `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`: 3e-05
- `weight_decay`: 0.0
- `adam_beta1`: 0.9
- `adam_beta2`: 0.999
- `adam_epsilon`: 1e-08
- `max_grad_norm`: 1.0
- `num_train_epochs`: 15
- `max_steps`: -1
- `lr_scheduler_type`: linear
- `lr_scheduler_kwargs`: {}
- `warmup_ratio`: 0.1
- `warmup_steps`: 0
- `log_level`: passive
- `log_level_replica`: warning
- `log_on_each_node`: True
- `logging_nan_inf_filter`: True
- `save_safetensors`: True
- `save_on_each_node`: False
- `save_only_model`: False
- `restore_callback_states_from_checkpoint`: False
- `no_cuda`: False
- `use_cpu`: False
- `use_mps_device`: False
- `seed`: 42
- `data_seed`: None
- `jit_mode_eval`: False
- `use_ipex`: False
- `bf16`: False
- `fp16`: True
- `fp16_opt_level`: O1
- `half_precision_backend`: auto
- `bf16_full_eval`: False
- `fp16_full_eval`: False
- `tf32`: None
- `local_rank`: 0
- `ddp_backend`: None
- `tpu_num_cores`: None
- `tpu_metrics_debug`: False
- `debug`: []
- `dataloader_drop_last`: False
- `dataloader_num_workers`: 0
- `dataloader_prefetch_factor`: None
- `past_index`: -1
- `disable_tqdm`: False
- `remove_unused_columns`: True
- `label_names`: None
- `load_best_model_at_end`: True
- `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`: None
- `hub_always_push`: False
- `gradient_checkpointing`: False
- `gradient_checkpointing_kwargs`: None
- `include_inputs_for_metrics`: False
- `include_for_metrics`: []
- `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
- `use_liger_kernel`: False
- `eval_use_gather_object`: False
- `average_tokens_across_devices`: False
- `prompts`: None
- `batch_sampler`: batch_sampler
- `multi_dataset_batch_sampler`: proportional