Sentence Similarity
sentence-transformers
TensorBoard
Safetensors
bert
feature-extraction
Generated from Trainer
dataset_size:12000
loss:CosineSimilarityLoss
text-embeddings-inference
Instructions to use codersan/validadted_e5smallStudent3 with libraries, inference providers, notebooks, and local apps. Follow these links to get started.
- Libraries
- sentence-transformers
How to use codersan/validadted_e5smallStudent3 with sentence-transformers:
from sentence_transformers import SentenceTransformer model = SentenceTransformer("codersan/validadted_e5smallStudent3") sentences = [ "تفاوتهای کلیدی بین موتورهای دیزلی و بنزینی چیست؟", "یک VPN یا شبکه خصوصی مجازی، ارتباط اینترنتی شما را رمزنگاری کرده و آن را از طریق یک سرور در مکانی که خودتان انتخاب کردهاید هدایت میکند و حفظ حریم خصوصی و امنیت را فراهم میآورد.", "طراحان صدا روی عناصر صوتی یک فیلم کار میکنند، از جمله افکتهای صوتی و دیالوگ.", "سوخت دیزل چگالتر است و انرژی بیشتری در هر گالن نسبت به بنزین دارد." ] embeddings = model.encode(sentences) similarities = model.similarity(embeddings, embeddings) print(similarities.shape) # [4, 4] - Notebooks
- Google Colab
- Kaggle
| { | |
| "word_embedding_dimension": 384, | |
| "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 | |
| } |