metadata

base_model: intfloat/multilingual-e5-large
datasets: []
language: []
library_name: sentence-transformers
metrics:
  - cosine_accuracy
  - dot_accuracy
  - manhattan_accuracy
  - euclidean_accuracy
  - max_accuracy
pipeline_tag: sentence-similarity
tags:
  - sentence-transformers
  - sentence-similarity
  - feature-extraction
  - generated_from_trainer
  - dataset_size:4926
  - loss:TripletLoss
widget:
  - source_sentence: Какова точность структурных построений для отражающего горизонта БВ8?
    sentences:
      - >-
        Вынос керна по пласту составил 209,8 м (или 26 от общего по
        месторождению). Из пластов ачимовской толщи керн взят в 10 пробуренных
        скважинах – 230,5 м при 90 выноса керна
      - >-
        В результате одномерного моделирования зарегистрированные отражающие
        горизонты стратифицированы следующим образом (рис. 3
      - >-
        Результаты расчета приведены ниже в табличной форме. Точность
        структурных построений (традиционный способ) Таблица 3.2 Горизонт st, мс
        Vcp, м/с sv, м/с T0ср, с sн, м Г 2 1855 9.28 0.97 4.8 М 2 2200 11.0 1.5
        8.5 БВ0 2 2310 11.55 1.66 9.8 БВ8 2 2415 12.08 1.82 11.3 Б 2 2515 12.58
        1.97 12.6 1 Ю1 2 2530 12.65 1.98 12.8 Т 2 2555 12.78 2.02 13.2 Т2 5 2615
        13.08 2.10 15.2 Т3 5 2645 13.23 2.17 15.8 А 5 2650 13.25 2.13 15
  - source_sentence: Какова точность структурных построений для отражающего горизонта ПК1?
    sentences:
      - >-
        Поскольку ОГ Ю2 коррелировался только по площади участка СП 14/12-13, то
        выявить зависимость dT/dH для структурных построений по этому
        отражающему горизонту не представляется возможным
      - >-
        page_content='Г Ач1, Ач2, Ю2, Ю4, Т3, А), не приводятся в
        таблице.Проведя анализ погрешности определения абсолютных отметок
        структурных поверхностей по всем прослеженным отражающим горизонтам, не
        трудно заметить, что не происходит существенного наращивания ошибок по
        скважинным данным.Среднеквадратичные отклонения по всем опорным
        горизонтам составляют около10м по верхним отражающим горизонтам и в
        районе 15м по отражающим горизонтам юрского интервала
        разреза171(4.1)171Таблица 4.2 Точность структурных построений

        |    | Скважина   | None   | None   | ОГ БП121   | None   | None     
        |    None | None   | ОГ БП141   |     None | None   | None     |    None
        | None   | ОГ Б       | None     | None   | None    | None     | None  
        | None    | None     | None   | ОГ Ю11     | None      | None   | None  
        | None     | None   | None    | None     | None   | ОГ Ю12     |
        None     | None   | None   | None     | None   | None   | None     |
        None   |

        |---:|:-----------|:-------|:-------|:-----------|:-------|:----------|--------:|:-------|:-----------|---------:|:-------|:---------|--------:|:-------|:-----------|:---------|:-------|:--------|:---------|:-------|:--------|:---------|:-------|:-----------|:----------|:-------|:-------|:---------|:-------|:--------|:---------|:-------|:-----------|:---------|:-------|:-------|:---------|:-------|:-------|:---------|:-------|

        |  0 |            |        |        |            |        |          
        |         |        |            |          |        |          |        
        |        |            | ОГ Б     |        |         |          |       
        |         |          |        |            | ОГ Ю11    |        |       
        |          |        |         |          |        |            | ОГ
        Ю12   |        |        |          |        |        |          |       
        |

        |  1 |            |        |        | Абсолютна  |        | поправка,
        |         |        | Абсолютна  |          |        | поправка |        
        |        | Абсолютна  |          |        |         | поправка |       
        |         | поправка |        | Абсолютна  |           |        |       
        | поправка |        |         | поправка |        | Абсолютна 
        |          |        |        | поправка |        |        | поправка
        |        |

        |    |            |        |        | я отметка, |        | м        
        |         |        | я отметка, |          |        | ,        |        
        |        | я отметка, |          |        |         |          |       
        |         |          |        | я отметка, |           |        |       
        |          |        |         |          |        | я отметка,
        |          |        |        |          |        |        |         
        |        |

        |    |            |        |        | м          |        |          
        |         |        | м          |          |        | м        |        
        |        | м          |          |        |         |          |       
        |         |          |        | м          |           |        |       
        |          |        |         |          |        | м         
        |          |        |        |          |        |        |         
        |        |

        |  2 |            |        |        |            |        |          
        |         |        |            |          |        |          |        
        |        |            |          |        |         | , м      |       
        |         | , м      |        |            |           |        |       
        | , м      |        |         | , м      |        |           
        |          |        |        | , м      |        |        | , м     
        |        |

        |  3 |            |        |        |            |        |          
        |         |        |            |          |        |          |        
        |        |            |          |        |         | (миним.  |       
        |         | (максим. |        |            |           |        |       
        | (миним.  |        |         | (максим. |        |           
        |          |        |        | (миним.  |        |        | (максим.
        |        |

        |  4 |            |        |        |            |        |          
        |         |        |            |          |        |          |        
        |        |            |          |        |         | вариант) |       
        |         | вариант) |        |            |           |        |       
        | вариант) |        |         | вариант) |        |           
        |          |        |        | вариант) |        |        | вариант)
        |        |

        |  5 | 321_309PО  |        |        | -2695.35   |        |           | 
        -3.829 |        |            | -2798.72 |        |          | -11.1  
        |        |            | -3168.96 |        |         | -11.93   |       
        | 11.01   |          |        |            | -3227.584 |        |       
        | 1.116    |        |         | 15.971   |        |            |
        -3282.26 |        |        | 1.53     |        |        | -0.813  
        |        |

        |  6 | 036_93R    |        |        | -2689.36   |        |          
        |   6.278 |        |            | -2803.53 |        |          |   6.624
        |        |            | -3159.35 |        |         |          |       
        |         |          |        |            |           |        |       
        |          |        |         |          |        |           
        |          |        |        |          |        |        |         
        |        |

        |  7 | 321_306PO  |        |        | -2634.81   |        |          
        |   2.583 |        |            | -2750.89 |        |          |   1.683
        |        |            | -3132.36 |        |         | 8.908    |       
        | 8.10    |          |        |            | -3215.572 |        |       
        | -7.364   |        |         | 2.225    |        |            |
        -3258.65 |        |        | 5.47     |        |        | 1.215   
        |        |

        |  8 | 321_304PO  |        |        | -2630.36   |        |           | 
        13.695 |        |            | -2752.37 |        |          |  18.939
        |        |            | -3130.72 |        |         | 22.745   |       
        | 18.88   |          |        |            | -3203.712 |        |       
        | -1.653   |        |         | 17.435   |        |            |
        -3251.06 |        |        | -0.95    |        |        | -0.791  
        |        |

        |  9 | 321_301P   |        |        | -2598.16   |        |           |
        -11.352 |        |            | -2726.9  |        |          |  -4.256
        |        |            | -3103.45 |        |         | -1.253   |       
        | -14.44  |          |        |            | -3209.854 |        |       
        | -7.108   |        |         | -19.761  |        |            |
        -3227.86 |        |        | 3.088    |        |        | -0.272  
        |        |

        | 10 | 321_302PO  |        |        | -2621.81   |        |           | 
        -5.016 |        |            | -2742.59 |        |          |  -4.162
        |        |            | -3102.04 |        |         | -4.168   |       
        | -25.08  |          |        |            | -3222.447 |        |       
        | 5.432    |        |         | -15.737  |        |            |
        -3246.04 |        |        | 5.024    |        |        | 0.331   
        |        |

        | 11 | 321_305PO  |        |        | -2543.8    |        |           | 
        -8.226 |        |            | -2669.61 |        |          | -12.78 
        |        |            | -3032.52 |        |         | -17.205  |       
        | 1.49    |          |        |            | -3131.177 |        |       
        | 6.697    |        |         | -0.131   |        |            |
        -3163.86 |        |        | -3.096   |        |        | -3.624  
        |        |

        | 12 |            | Ср.кв. |        |            |        | ± 8.80   
        |         |        |            |          |        | ± 10.98  |        
        |        |            |          |        | ± 14.51 |          |       
        | ± 16.63 |          |        |            |           |        | ± 6.03
        |          |        | ± 15.51 |          |        |           
        |          |        | ± 3.38 |          |        | ± 1.64 |         
        |        |

        | 13 |            | откл   |        |            |        |          
        |         |        |            |          |        |          |        
        |        |            |          |        |         |          |       
        |         |          |        |            |           |        |       
        |          |        |         |          |        |           
        |          |        |        |          |        |        |         
        |        |

        Скважина 321_309PО 036_93R 321_306PO 321_304PO 321_301P 321_302PO
        321_305PO Ср.кв. откл ОГ БП12 1 ОГ БП14 1 Абсолютна я отметка, м
        поправка, м Абсолютна я отметка, м поправка , м Абсолютна я отметка, м
        -2695.35 -2689.36 -2634.81 -2630.36 -2598.16 -2621.81 -2543.8 -3.829
        6.278 2.583 13.695 -11.352 -5.016 -8.226 -2798.72 -2803.53 -2750.89
        -2752.37 -2726.9 -2742.59 -2669.61 -11.1 6.624 1.683 18.939 -4.256
        -4.162 -12.78 -3168.96 -3159.35 -3132.36 -3130.72 -3103.45 -3102.04
        -3032.52 ± 8.80 ± 10.98 ОГ'
      - 2 Параметры окон для расч та атрибутов QC по сейсмограммам ОПВ и ОПП
  - source_sentence: >-
      Какая методика структурных построений была использована при построении
      структурных планов по отражающим горизонтам юрского комплекса?
    sentences:
      - >-
        На юге и юго-востоке под эрозионной поверхностью подошвы юрского
        комплекса регистрируются крутопадающие волновые пакеты (Рис. 3.81). С
        целью получения более достоверных структурных построений корреляция
        преимущественного большинства ОГ выполнена по фазовым переходам.
        Горизонты М и НБВ2 прослежены по положительному экстремуму отражения,
        горизонт Б – по отрицательному. Временные и структурные поверхности ОГ
        использовались для палеоизохронных и палеоструктурных построений и для
        создания опорных трендовых моделей при выполнении инверсионных
        преобразований. 3.2.3
      - >-
        page_content='4151.688 х 7134670500 © изза = on +#nnРис. 2.3.
        Фактическая схема расположения профилей сезона 2010–2012 гг.51463606.125
        x 7142067.500 © heron тои ВЫ изо оз» тои 47оь «тако ane +11 По контуру
        пунктов приема $=169 кв.кмРис. 2.4. Фактическая схема расположения
        профилей двух сезонов52452043 -219 = 7129857.500 + — контур
        обработкиРис. 2.5. Карта рельефа из предоставленных SPS-файлов двух
        сезоновИнформация о методике полевых работ приведена в Таблица
        2.1.53Таблица 2.1. Описание методики полевых работ

        |    | №№   | Показатели                    | Содержание           |
        None                 |

        |---:|:-----|:------------------------------|:---------------------|:---------------------|

        |  0 |      |                               | Сезон 2010–2011гг    |
        Сезон 2011–2012гг    |

        |  1 | 1.   | Параметры регистрации:        |                     
        |                      |

        |  2 |      | - аппаратура                  | 428 XL(Sercel)       | 408
        XL(Sercel)       |

        |  3 |      | - расстояние между линиями    | 300                  |
        300                  |

        |    |      | приема, м                     |                     
        |                      |

        |  4 |      | -расстояние между линиями     | 400                  |
        400                  |

        |    |      | возбуждения, м                |                     
        |                      |

        |  5 |      | - расстояние между ПВ, м      | 50                   |
        50                   |

        |  6 |      | - расстояние меду ПП, м       | 50                   |
        50                   |

        |  7 |      | - размер бина, м              | 25 х 25              | 25
        х 25              |

        |  8 |      | - кратность наблюдений        | 56                   |
        56                   |

        |    |      | - минимально-допустимая       | 50                   |
        50                   |

        |    |      | кратность в эксклюзивных      |                     
        |                      |

        |    |      | зонах 90%                     |                     
        |                      |

        |  9 |      | - система наблюдения          | 3D, блоковая,        | 3D,
        блоковая,        |

        |    |      |                               | ортогональная,       |
        ортогональная,       |

        |    |      |                               | симметричная         |
        симметричная         |

        | 10 |      | - количество профилей в блоке | 16                   |
        16                   |

        | 11 |      | - перекрытие линий приема в   | 1                    |
        1                    |

        |    |      | блоке                         |                     
        |                      |

        | 12 |      | -количество активных каналов  | 112                  |
        112                  |

        |    |      | на линии ПП                   |                     
        |                      |

        | 13 |      | - количество активных каналов | 1792                 |
        1792                 |

        |    |      | в блоке                       |                     
        |                      |

        | 14 |      | - количество рабочих          | 6700                 |
        6700                 |

        |    |      | каналов                       |                     
        |                      |

        | 15 |      | - min вынос ПВ, м             | 35                   |
        35                   |

        | 16 |      | - max. удаления ПВ в          | 3653                 |
        3653                 |

        |    |      | регулярной сети, м            |                     
        |                      |

        | 17 |      | - кол-во ПВ на линии в блоке  | 6                    |
        6                    |

        | 18 |      | - тип сейсмоприемников        | GS-20DX              |
        GS-20DX              |

        | 19 |      | - группирование               | линейное 12 приборов |
        линейное 12 приборов |

        |    |      | сейсмоприемников              | на базе 25 м с       | на
        базе 25 м с       |

        |    |      |                               | параллельно-         |
        параллельно-         |

        регулярной сети, мкол-во ПВ на линии в блоке66тип
        сейсмоприемниковGS-20DXGS-20DXгруппированиелинейное 12 приборовлинейное
        12 приборовсейсмоприемниковсейсмоприемниковна базе 25 м сна базе 25 м
        спараллельно-параллельно-54последовательнымпоследовательным2.
        соединением (6х2) соединением (6х2) - способ размотки-смотки конвейерный
        конвейерный - шаг квантования, мс 2 2 - длина записи, с 6 6 - ФВЧ - - -
        ФНЧ 0.8F Nyquist (min 0.8F Nyquist (min phase) phase) - режекторный
        фильтр выкл. выкл. - формат запис'
      - >-
        Структурные карты и схемы по ОГ юрского комплекса получены через
        постоянную скорость и временные толщины от ОГ Б
  - source_sentence: Выполнялся ли учет длиннопериодной статики?
    sentences:
      - >-
        68 Временной разрез после итераций коррекции статики и кинематики,
        InLine 7578 164 Рис. 3.69 Временной разрез до итераций коррекции статики
        и кинематики, XLine Рис. 3
      - >-
        Были проанализированы и опробованы различные варианты расчета
        длиннопериодной статики. В частности, статика рассчитывалась по разным
        горизонтам, с различными вариантами получения Vогт и разными скоростями
        замещения слоя
      - >-
        Графики уравнения регрессии по отражающим горизонтам НАЧ1, НАЧ3 и НАЧ4
        Таблица 4.2.4 Оценка точности структурных построений Горизонт , м Г М Б
        Т Т2 Т3 Т4 А   Уч. 09.03
  - source_sentence: Какое значение апертуры миграции было использовано?
    sentences:
      - >-
        коэффициентов взаимной корреляции позволяют использовать полученные
        зависимости для построения карт ФЕС (в частности – карт значений
        эффективных толщин ) (Граф
      - >-
        Миграция выполнялась с использованием программы TIKIM до суммирования во
        временной области по классам удалений. Апертура миграции составила 3000
        м
      - >-
        Предварительно с помощью модуля DINAT проводилась оценка углов падения
        для расчета AVO-атрибутов (рис. 3.6.1). Данные содержат углы падения до
        46 для неокомских и 40 для ачимовских отложений
model-index:
  - name: SentenceTransformer based on intfloat/multilingual-e5-large
    results:
      - task:
          type: triplet
          name: Triplet
        dataset:
          name: e5 triplet eval
          type: e5_triplet_eval
        metrics:
          - type: cosine_accuracy
            value: 0.9642857142857143
            name: Cosine Accuracy
          - type: dot_accuracy
            value: 0.03571428571428571
            name: Dot Accuracy
          - type: manhattan_accuracy
            value: 0.9642857142857143
            name: Manhattan Accuracy
          - type: euclidean_accuracy
            value: 0.9642857142857143
            name: Euclidean Accuracy
          - type: max_accuracy
            value: 0.9642857142857143
            name: Max Accuracy

SentenceTransformer based on intfloat/multilingual-e5-large

This is a sentence-transformers model finetuned from intfloat/multilingual-e5-large. It maps sentences & paragraphs to a 1024-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: intfloat/multilingual-e5-large
Maximum Sequence Length: 512 tokens
Output Dimensionality: 1024 tokens
Similarity Function: Cosine Similarity

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: XLMRobertaModel 
  (1): Pooling({'word_embedding_dimension': 1024, '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})
  (2): Normalize()
)

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("dankalin/multilingual-e5-large-triplet_loss")
# Run inference
sentences = [
    'Какое значение апертуры миграции было использовано?',
    'Миграция выполнялась с использованием программы TIKIM до суммирования во временной области по классам удалений. Апертура миграции составила 3000 м',
    'коэффициентов взаимной корреляции позволяют использовать полученные зависимости для построения карт ФЕС (в частности – карт значений эффективных толщин ) (Граф',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 1024]

# Get the similarity scores for the embeddings
similarities = model.similarity(embeddings, embeddings)
print(similarities.shape)
# [3, 3]

Evaluation

Metrics

Triplet

Dataset: e5_triplet_eval
Evaluated with TripletEvaluator

Metric	Value
cosine_accuracy	0.9643
dot_accuracy	0.0357
manhattan_accuracy	0.9643
euclidean_accuracy	0.9643
max_accuracy	0.9643

Training Details

Training Dataset

Unnamed Dataset

Size: 4,926 training samples
Columns: anchor, positive, and negative

Approximate statistics based on the first 1000 samples:

	anchor	positive	negative
type	string	string	string
details	min: 9 tokens mean: 20.24 tokens max: 41 tokens	min: 21 tokens mean: 129.99 tokens max: 512 tokens	min: 2 tokens mean: 93.1 tokens max: 512 tokens

Samples:

anchor	positive	negative
`Какова оценка точности (стандартные отклонения) структурных построений для отражающего горизонта А?`	`В таблице 3.5 представлены данные выполненных расч тов. Таблица 3.5. Оценка точности структурных построений ОГ Vпл/ м/с Т/ с Т/ с Vпл/ м/с Н/ м ТЮ2 Т3 (ЮВ10) А 3350 3400 3400 0.005 0.010 0.020 0`	`Точность структурных построений Горизонт НБВ7 НБВ4 НБВ3 М max, м 17 15 19 9 min, м 0 0 0 0 max, м min, м 18 7 10 8 1 0 0 0 , м 8 8 8 4 4 Структурные карты (схемы) по всем отражающим горизонтам`
`Какова точность структурных построений для отражающего горизонта Б?`	2 Точность структурных построений ОГ АП5 ОГ БП9 1 ОГ БП10 0 Абсолютная отметка, м поправка, м Абсолютная отметка, м поправка, м Абсолютная отметка, м поправка, м 6.51 10.51 9.65 ОГ Б поправка , м (миним. вариант) -11.93 поправка , м (максим. вариант) 11.01 Абсолютна я отметка, м 3227.584 1 ОГ Ю1 поправка , м (миним. вариант) 1.116 поправка , м (максим. вариант) 15.971 Абсолютна я отметка, м 3282.26 2 ОГ Ю1 поправка , м (миним. вариант) 1.53 поправка , м (максим. вариант) -0.813 14.51 16.63 6.03 15.51 3.38 1.64 172 4	`Отражающий горизонт Г является реперным горизонтом и коррелируется без затруднений по всему Валынтойскому кубу сейсморазведки 3D`
`В скольки скважинах есть данных акустического каротажа?`	`Комплекс ГИС, выполненный в скважинах 93Р и 309ПО Скв`	`Проведены сейсморазведочные работы 3Д на Валынтойской площади в объ ме 300 квадратных километров. Полевые работы ВСП в скважине 309ПО Валынтойской площади`

Loss: TripletLoss with these parameters:

{
    "distance_metric": "TripletDistanceMetric.EUCLIDEAN",
    "triplet_margin": 5
}

Evaluation Dataset

Unnamed Dataset

Size: 1,232 evaluation samples
Columns: anchor, positive, and negative

Approximate statistics based on the first 1000 samples:

	anchor	positive	negative
type	string	string	string
details	min: 9 tokens mean: 20.38 tokens max: 41 tokens	min: 21 tokens mean: 132.2 tokens max: 512 tokens	min: 2 tokens mean: 86.95 tokens max: 512 tokens

Samples:

anchor	positive	negative
`Какова оценка точности (стандартные отклонения) структурных построений для отражающего горизонта А?`	`В таблице 3.5 представлены данные выполненных расч тов. Таблица 3.5. Оценка точности структурных построений ОГ Vпл/ м/с Т/ с Т/ с Vпл/ м/с Н/ м ТЮ2 Т3 (ЮВ10) А 3350 3400 3400 0.005 0.010 0.020 0`	`Бирюзовой Вертикальны й 1:2 500 Структурная карта по отражающему горизонту А (подошва юрского комплекса) Карта изохрон по отражающему горизонту А Структурная карта по отражающему горизонту Т3(ЮВ10)`
`Какова оценка точности (стандартные отклонения) структурных построений для отражающего горизонта ТЮ2?`	`В таблице 3.5 представлены данные выполненных расч тов. Таблица 3.5. Оценка точности структурных построений ОГ Vпл/ м/с Т/ с Т/ с Vпл/ м/с Н/ м ТЮ2 Т3 (ЮВ10) А 3350 3400 3400 0.005 0.010 0.020 0`	`Построение и анализ карт средних толщин между полученными и интервальных также карт точности структурных структурными поверхностями`
`Сколько скважин было выбрано для обоснования выделения коллекторов?`	`После анализа каротажных данных для обоснования выделения коллекторов были отобраны 15 скважин Критериями их отбора послужило наличие в комплексе ГИС акустического каротажа по продольным волнам`	После анализа каротажных данных для обоснования выделения коллекторов были отобраны 15 скважин Критериями их отбора послужило наличие в комплексе ГИС акустического каротажа по продольным волнам хорошего и удовлетворительного качества, а также близкое расположение скважин к сейсмическим профилям. Кроме того, в статистической обработке принимали участие ещ две скважины: 115 и 122, поскольку в них записан акустический каротаж по поперечной волне

Loss: TripletLoss with these parameters:

{
    "distance_metric": "TripletDistanceMetric.EUCLIDEAN",
    "triplet_margin": 5
}

Training Hyperparameters

Non-Default Hyperparameters

eval_strategy: steps
per_device_train_batch_size: 2
per_device_eval_batch_size: 2
gradient_accumulation_steps: 64
learning_rate: 2e-05
warmup_ratio: 0.1
bf16: True
batch_sampler: no_duplicates

All Hyperparameters

Click to expand

overwrite_output_dir: False
do_predict: False
eval_strategy: steps
prediction_loss_only: True
per_device_train_batch_size: 2
per_device_eval_batch_size: 2
per_gpu_train_batch_size: None
per_gpu_eval_batch_size: None
gradient_accumulation_steps: 64
eval_accumulation_steps: None
torch_empty_cache_steps: None
learning_rate: 2e-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: 3
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: True
fp16: False
fp16_opt_level: O1
half_precision_backend: auto
bf16_full_eval: False
fp16_full_eval: False
tf32: None
local_rank: 1
ddp_backend: None
tpu_num_cores: None
tpu_metrics_debug: False
debug: []
dataloader_drop_last: True
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: no_duplicates
multi_dataset_batch_sampler: proportional

Training Logs

Epoch	Step	Training Loss	loss	e5_triplet_eval_max_accuracy
0	0	-	-	0.8166
0.0520	1	4.9631	-	-
0.1040	2	4.96	-	-
0.1560	3	4.9406	4.9202	0.8799
0.2080	4	4.9321	-	-
0.2600	5	4.9293	-	-
0.3119	6	4.91	4.8456	0.9237
0.3639	7	4.8801	-	-
0.4159	8	4.8692	-	-
0.4679	9	4.838	4.7461	0.9432
0.5199	10	4.8053	-	-
0.5719	11	4.7793	-	-
0.6239	12	4.7584	4.6476	0.9489
0.6759	13	4.6925	-	-
0.7279	14	4.6888	-	-
0.7799	15	4.6673	4.5346	0.9554
0.8318	16	4.626	-	-
0.8838	17	4.6053	-	-
0.9358	18	4.5582	4.4151	0.9570
0.9878	19	4.5486	-	-
1.0398	20	4.4967	-	-
1.0918	21	4.4503	4.2993	0.9667
1.1438	22	4.3997	-	-
1.1958	23	4.326	-	-
1.2478	24	4.3163	4.1739	0.9643
1.2998	25	4.2882	-	-
1.3517	26	4.1748	-	-
1.4037	27	4.1791	4.0528	0.9594
1.4557	28	4.1503	-	-
1.5077	29	4.1213	-	-
1.5597	30	4.049	3.9291	0.9586
1.6117	31	4.0259	-	-
1.6637	32	3.9762	-	-
1.7157	33	3.9038	3.8741	0.9651
1.7677	34	3.9605	-	-
1.8197	35	3.9297	-	-
1.8716	36	3.8387	3.7686	0.9619
1.9236	37	3.871	-	-
1.9756	38	3.8464	-	-
2.0276	39	3.7463	3.7241	0.9643
2.0796	40	3.8166	-	-
2.1316	41	3.801	-	-
2.1836	42	3.6812	3.6745	0.9610
2.2356	43	3.6979	-	-
2.2876	44	3.7102	-	-
2.3396	45	3.648	3.6470	0.9635
2.3916	46	3.6465	-	-
2.4435	47	3.6907	-	-
2.4955	48	3.6242	3.5768	0.9635
2.5475	49	3.6351	-	-
2.5995	50	3.659	-	-
2.6515	51	3.6246	3.5535	0.9643
2.7035	52	3.5615	-	-
2.7555	53	3.5733	-	-
2.8075	54	3.577	3.5572	0.9667
2.8595	55	3.5187	-	-
2.9115	56	3.6122	-	-
2.9634	57	3.5786	3.5517	0.9643

Framework Versions

Python: 3.10.12
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

@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",
}

TripletLoss

@misc{hermans2017defense,
    title={In Defense of the Triplet Loss for Person Re-Identification}, 
    author={Alexander Hermans and Lucas Beyer and Bastian Leibe},
    year={2017},
    eprint={1703.07737},
    archivePrefix={arXiv},
    primaryClass={cs.CV}
}