nace-pl-v2

SentenceTransformer based on sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2

This is a sentence-transformers model finetuned from sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2. It maps sentences & paragraphs to a 384-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: sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2 <!-- at revision bf3bf13ab40c3157080a7ab344c831b9ad18b5eb -->
• Maximum Sequence Length: 128 tokens
• Output Dimensionality: 384 tokens
• Similarity Function: Cosine Similarity

<!-- - **Training Dataset:** Unknown --> <!-- - **Language:** Unknown --> <!-- - **License:** Unknown -->

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': 128, 'do_lower_case': False}) with Transformer model: BertModel 
  (1): Pooling({'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})
)

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("annazdr/nace-pl-v2")
# Run inference
sentences = [
    'manufacture of glass mirrors',
    ' protective face shields/visors, of plastics, e',
    'manufacture of electroplating machinery',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 384]

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

<!-- ### Direct Usage (Transformers) <details><summary>Click to see the direct usage in Transformers</summary> </details> --> <!-- ### Downstream Usage (Sentence Transformers) You can finetune this model on your own dataset. <details><summary>Click to expand</summary> </details> --> <!-- ### Out-of-Scope Use *List how the model may foreseeably be misused and address what users ought not to do with the model.* --> <!-- ## Bias, Risks and Limitations *What are the known or foreseeable issues stemming from this model? You could also flag here known failure cases or weaknesses of the model.* --> <!-- ### Recommendations *What are recommendations with respect to the foreseeable issues? For example, filtering explicit content.* -->

Training Details

Training Dataset

Unnamed Dataset

• Size: 12,822 training samples
• Columns: <code>sentence_0</code> and <code>label</code>
• Approximate statistics based on the first 1000 samples:

  	sentence_0	label
  type	string	int
  details	<ul><li>min: 2 tokens</li><li>mean: 15.14 tokens</li><li>max: 128 tokens</li></ul>	<ul><li>0: ~0.20%</li><li>1: ~0.10%</li><li>2: ~0.20%</li><li>4: ~0.30%</li><li>5: ~0.10%</li><li>6: ~0.10%</li><li>7: ~0.40%</li><li>9: ~0.10%</li><li>10: ~0.60%</li><li>11: ~0.20%</li><li>12: ~0.30%</li><li>13: ~0.30%</li><li>14: ~0.10%</li><li>15: ~0.10%</li><li>16: ~0.40%</li><li>17: ~0.10%</li><li>18: ~0.40%</li><li>20: ~0.40%</li><li>22: ~0.30%</li><li>23: ~0.30%</li><li>24: ~0.30%</li><li>25: ~0.40%</li><li>27: ~0.20%</li><li>28: ~0.10%</li><li>30: ~0.10%</li><li>32: ~0.10%</li><li>33: ~0.20%</li><li>34: ~0.10%</li><li>35: ~0.30%</li><li>37: ~0.30%</li><li>38: ~0.30%</li><li>39: ~0.30%</li><li>41: ~0.20%</li><li>42: ~0.10%</li><li>43: ~0.20%</li><li>44: ~0.50%</li><li>46: ~0.10%</li><li>48: ~0.20%</li><li>49: ~0.30%</li><li>50: ~0.30%</li><li>51: ~0.20%</li><li>52: ~0.40%</li><li>53: ~0.30%</li><li>54: ~0.20%</li><li>55: ~0.20%</li><li>56: ~0.20%</li><li>58: ~0.20%</li><li>59: ~0.10%</li><li>60: ~0.30%</li><li>61: ~0.20%</li><li>63: ~0.40%</li><li>64: ~0.30%</li><li>65: ~0.10%</li><li>66: ~0.70%</li><li>68: ~0.10%</li><li>69: ~0.20%</li><li>70: ~0.50%</li><li>71: ~0.30%</li><li>72: ~0.10%</li><li>73: ~0.40%</li><li>74: ~0.20%</li><li>75: ~0.30%</li><li>76: ~0.20%</li><li>78: ~0.10%</li><li>79: ~0.10%</li><li>80: ~0.10%</li><li>81: ~0.30%</li><li>82: ~0.30%</li><li>83: ~0.30%</li><li>84: ~0.10%</li><li>85: ~0.20%</li><li>86: ~0.20%</li><li>89: ~0.10%</li><li>90: ~0.10%</li><li>91: ~0.30%</li><li>92: ~0.20%</li><li>93: ~0.10%</li><li>94: ~0.30%</li><li>95: ~0.20%</li><li>96: ~0.20%</li><li>97: ~0.40%</li><li>98: ~0.70%</li><li>99: ~0.20%</li><li>100: ~0.50%</li><li>101: ~0.20%</li><li>102: ~0.10%</li><li>103: ~0.10%</li><li>104: ~0.20%</li><li>106: ~0.10%</li><li>108: ~0.20%</li><li>110: ~0.10%</li><li>111: ~0.10%</li><li>112: ~0.20%</li><li>115: ~0.10%</li><li>116: ~0.10%</li><li>119: ~0.30%</li><li>120: ~0.10%</li><li>121: ~0.20%</li><li>123: ~0.10%</li><li>125: ~0.20%</li><li>126: ~0.10%</li><li>127: ~0.20%</li><li>128: ~0.40%</li><li>130: ~0.20%</li><li>134: ~0.10%</li><li>135: ~0.10%</li><li>136: ~0.10%</li><li>138: ~0.10%</li><li>139: ~0.10%</li><li>140: ~0.20%</li><li>141: ~0.10%</li><li>142: ~0.10%</li><li>143: ~0.40%</li><li>144: ~0.10%</li><li>148: ~0.10%</li><li>149: ~0.10%</li><li>150: ~0.30%</li><li>151: ~0.10%</li><li>152: ~0.30%</li><li>153: ~0.40%</li><li>154: ~0.50%</li><li>156: ~0.10%</li><li>157: ~0.30%</li><li>158: ~0.20%</li><li>159: ~0.30%</li><li>160: ~0.10%</li><li>161: ~0.10%</li><li>162: ~0.10%</li><li>163: ~0.10%</li><li>165: ~0.10%</li><li>166: ~0.20%</li><li>167: ~0.20%</li><li>168: ~0.20%</li><li>170: ~0.10%</li><li>171: ~0.10%</li><li>172: ~0.10%</li><li>173: ~0.10%</li><li>174: ~0.20%</li><li>176: ~0.20%</li><li>178: ~0.10%</li><li>179: ~0.10%</li><li>181: ~0.10%</li><li>182: ~0.30%</li><li>183: ~0.30%</li><li>184: ~0.20%</li><li>185: ~0.30%</li><li>186: ~0.40%</li><li>187: ~0.20%</li><li>188: ~0.40%</li><li>189: ~0.20%</li><li>190: ~0.50%</li><li>191: ~0.30%</li><li>192: ~0.40%</li><li>193: ~0.10%</li><li>196: ~0.20%</li><li>197: ~0.20%</li><li>198: ~0.30%</li><li>199: ~0.60%</li><li>200: ~0.50%</li><li>201: ~0.10%</li><li>202: ~0.10%</li><li>203: ~0.30%</li><li>204: ~0.10%</li><li>205: ~0.30%</li><li>206: ~0.40%</li><li>208: ~0.20%</li><li>210: ~0.20%</li><li>211: ~0.40%</li><li>212: ~0.20%</li><li>214: ~0.30%</li><li>215: ~0.10%</li><li>217: ~0.30%</li><li>218: ~0.20%</li><li>220: ~0.30%</li><li>221: ~0.10%</li><li>222: ~0.20%</li><li>223: ~0.10%</li><li>225: ~0.10%</li><li>226: ~0.10%</li><li>227: ~0.20%</li><li>228: ~0.10%</li><li>230: ~0.10%</li><li>231: ~0.30%</li><li>233: ~0.10%</li><li>234: ~0.10%</li><li>235: ~0.20%</li><li>236: ~0.20%</li><li>237: ~0.20%</li><li>238: ~0.30%</li><li>239: ~0.10%</li><li>240: ~0.10%</li><li>241: ~0.20%</li><li>242: ~0.10%</li><li>243: ~0.40%</li><li>244: ~0.40%</li><li>245: ~0.20%</li><li>246: ~0.20%</li><li>247: ~0.30%</li><li>248: ~0.20%</li><li>249: ~0.20%</li><li>250: ~0.10%</li><li>253: ~0.30%</li><li>254: ~0.50%</li><li>255: ~0.30%</li><li>256: ~0.20%</li><li>257: ~0.20%</li><li>258: ~0.20%</li><li>259: ~0.10%</li><li>260: ~0.60%</li><li>261: ~0.10%</li><li>262: ~0.10%</li><li>264: ~0.30%</li><li>266: ~0.10%</li><li>267: ~0.10%</li><li>269: ~0.20%</li><li>271: ~0.10%</li><li>272: ~0.10%</li><li>273: ~0.10%</li><li>274: ~0.40%</li><li>275: ~0.10%</li><li>276: ~0.30%</li><li>277: ~0.20%</li><li>278: ~0.10%</li><li>279: ~0.20%</li><li>281: ~0.10%</li><li>283: ~0.40%</li><li>284: ~0.10%</li><li>285: ~0.20%</li><li>286: ~0.10%</li><li>287: ~0.20%</li><li>289: ~0.20%</li><li>290: ~0.20%</li><li>291: ~0.20%</li><li>292: ~0.30%</li><li>293: ~0.20%</li><li>294: ~0.20%</li><li>295: ~0.40%</li><li>296: ~0.20%</li><li>297: ~0.20%</li><li>298: ~0.10%</li><li>302: ~0.10%</li><li>303: ~0.10%</li><li>306: ~0.60%</li><li>307: ~0.50%</li><li>310: ~0.40%</li><li>311: ~0.40%</li><li>313: ~0.10%</li><li>314: ~0.40%</li><li>316: ~0.10%</li><li>319: ~0.20%</li><li>320: ~0.10%</li><li>322: ~0.50%</li><li>324: ~0.20%</li><li>325: ~0.30%</li><li>326: ~0.30%</li><li>327: ~0.10%</li><li>328: ~0.10%</li><li>329: ~0.10%</li><li>330: ~0.10%</li><li>331: ~0.10%</li><li>332: ~0.20%</li><li>334: ~0.10%</li><li>336: ~0.30%</li><li>337: ~0.50%</li><li>338: ~0.10%</li><li>341: ~0.10%</li><li>343: ~0.10%</li><li>344: ~0.20%</li><li>347: ~0.20%</li><li>348: ~0.10%</li><li>349: ~0.10%</li><li>350: ~0.50%</li><li>351: ~0.70%</li><li>352: ~0.20%</li><li>353: ~0.10%</li><li>354: ~0.20%</li><li>355: ~0.10%</li><li>356: ~0.10%</li><li>357: ~0.20%</li><li>358: ~0.30%</li><li>359: ~0.10%</li><li>360: ~0.20%</li><li>361: ~0.30%</li><li>362: ~0.10%</li><li>363: ~0.10%</li><li>364: ~0.10%</li><li>365: ~0.30%</li><li>368: ~0.30%</li><li>369: ~0.20%</li><li>372: ~0.30%</li><li>373: ~0.10%</li><li>374: ~0.30%</li><li>375: ~0.70%</li><li>376: ~0.10%</li><li>377: ~0.20%</li><li>378: ~0.20%</li><li>380: ~0.10%</li><li>381: ~0.10%</li><li>382: ~0.20%</li><li>383: ~0.10%</li><li>385: ~0.20%</li><li>393: ~0.10%</li><li>394: ~0.10%</li><li>395: ~0.20%</li><li>396: ~0.30%</li><li>398: ~0.10%</li><li>399: ~0.20%</li><li>401: ~0.20%</li><li>402: ~0.20%</li><li>404: ~0.40%</li><li>405: ~0.10%</li><li>407: ~0.20%</li><li>409: ~0.20%</li><li>410: ~0.10%</li><li>411: ~0.10%</li><li>412: ~0.10%</li><li>413: ~0.20%</li><li>414: ~0.20%</li><li>415: ~0.10%</li><li>416: ~0.10%</li><li>417: ~0.10%</li><li>418: ~0.10%</li><li>419: ~0.20%</li><li>420: ~0.10%</li><li>421: ~0.20%</li><li>423: ~0.30%</li><li>424: ~0.10%</li><li>425: ~0.10%</li><li>427: ~0.20%</li><li>428: ~0.10%</li><li>429: ~0.10%</li><li>430: ~0.10%</li><li>432: ~0.10%</li><li>434: ~0.10%</li><li>435: ~0.40%</li><li>436: ~0.20%</li><li>437: ~0.30%</li><li>438: ~0.20%</li><li>440: ~0.20%</li><li>441: ~0.30%</li><li>442: ~0.20%</li><li>443: ~0.10%</li><li>444: ~0.30%</li><li>445: ~0.20%</li><li>446: ~0.20%</li><li>448: ~0.20%</li><li>449: ~0.30%</li><li>451: ~0.20%</li><li>452: ~0.10%</li><li>454: ~0.20%</li><li>455: ~0.20%</li><li>456: ~0.10%</li><li>458: ~0.30%</li><li>459: ~0.10%</li><li>460: ~0.10%</li><li>462: ~0.10%</li><li>463: ~0.40%</li><li>464: ~0.10%</li><li>465: ~0.20%</li><li>466: ~0.10%</li><li>467: ~0.40%</li><li>468: ~0.10%</li><li>469: ~0.30%</li><li>471: ~0.10%</li><li>475: ~0.30%</li><li>476: ~0.50%</li><li>477: ~0.10%</li><li>479: ~0.40%</li><li>480: ~0.30%</li><li>482: ~0.10%</li><li>483: ~0.30%</li><li>484: ~0.10%</li><li>485: ~0.20%</li><li>486: ~0.10%</li><li>487: ~0.10%</li><li>490: ~0.30%</li><li>491: ~0.40%</li><li>492: ~0.40%</li><li>493: ~0.10%</li><li>494: ~0.10%</li><li>495: ~0.10%</li><li>498: ~0.20%</li><li>499: ~0.40%</li><li>500: ~0.30%</li><li>501: ~0.30%</li><li>502: ~0.30%</li><li>504: ~0.20%</li><li>505: ~0.20%</li><li>506: ~0.10%</li><li>507: ~0.20%</li><li>508: ~0.10%</li><li>511: ~0.10%</li><li>512: ~0.60%</li><li>513: ~0.10%</li><li>515: ~0.10%</li><li>516: ~0.30%</li><li>517: ~0.40%</li><li>519: ~0.30%</li><li>520: ~0.30%</li><li>521: ~0.10%</li><li>522: ~0.20%</li><li>523: ~0.10%</li><li>524: ~0.50%</li><li>525: ~0.60%</li><li>527: ~0.20%</li><li>528: ~0.10%</li><li>530: ~0.10%</li><li>533: ~0.40%</li><li>534: ~0.50%</li><li>535: ~0.40%</li><li>536: ~0.10%</li><li>537: ~0.20%</li><li>538: ~0.40%</li><li>539: ~0.10%</li><li>540: ~0.10%</li><li>542: ~0.30%</li><li>543: ~0.10%</li><li>544: ~0.10%</li><li>545: ~0.20%</li><li>546: ~0.20%</li><li>548: ~0.20%</li><li>549: ~0.20%</li><li>550: ~0.30%</li><li>551: ~0.30%</li><li>552: ~0.10%</li><li>554: ~0.10%</li><li>555: ~0.20%</li><li>557: ~0.20%</li><li>560: ~0.10%</li><li>561: ~0.20%</li><li>562: ~0.10%</li><li>564: ~0.40%</li><li>565: ~0.10%</li><li>566: ~0.10%</li><li>567: ~0.20%</li><li>570: ~0.10%</li><li>572: ~0.30%</li><li>573: ~0.10%</li><li>574: ~0.10%</li><li>575: ~0.10%</li><li>576: ~0.10%</li><li>577: ~0.20%</li><li>578: ~0.50%</li><li>579: ~0.40%</li><li>581: ~0.20%</li><li>585: ~0.40%</li><li>586: ~0.10%</li><li>587: ~0.20%</li><li>588: ~0.20%</li><li>590: ~0.20%</li><li>592: ~0.10%</li><li>595: ~0.10%</li><li>597: ~0.20%</li><li>600: ~0.10%</li><li>601: ~0.10%</li><li>603: ~0.10%</li><li>604: ~0.10%</li><li>608: ~0.10%</li><li>611: ~0.10%</li><li>612: ~0.20%</li><li>613: ~0.10%</li><li>619: ~0.20%</li><li>620: ~0.20%</li><li>622: ~0.10%</li><li>625: ~0.20%</li><li>629: ~0.10%</li><li>631: ~0.20%</li><li>632: ~0.10%</li><li>633: ~0.20%</li><li>634: ~0.10%</li><li>635: ~0.40%</li><li>640: ~0.10%</li><li>643: ~0.10%</li><li>645: ~0.10%</li><li>648: ~0.10%</li></ul>

• Samples:

  sentence_0	label
  <code>swimming clubs</code>	<code>475</code>
  <code> </code>	<code>581</code>
  <code>this class includes: mining of ores valued chiefly for iron content</code>	<code>351</code>

• Loss: <code>BatchAllTripletLoss</code>

Training Hyperparameters

Non-Default Hyperparameters

• per_device_train_batch_size: 256
• per_device_eval_batch_size: 256
• num_train_epochs: 4
• multi_dataset_batch_sampler: round_robin

All Hyperparameters

<details><summary>Click to expand</summary>

• overwrite_output_dir: False
• do_predict: False
• eval_strategy: no
• prediction_loss_only: True
• per_device_train_batch_size: 256
• per_device_eval_batch_size: 256
• per_gpu_train_batch_size: None
• per_gpu_eval_batch_size: None
• gradient_accumulation_steps: 1
• eval_accumulation_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: 4
• 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
• batch_sampler: batch_sampler
• multi_dataset_batch_sampler: round_robin

</details>

Framework Versions

• Python: 3.10.12
• Sentence Transformers: 3.0.1
• Transformers: 4.41.2
• PyTorch: 2.3.0+cu121
• Accelerate: 0.31.0
• 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",
}

BatchAllTripletLoss

@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}
}

<!-- ## Glossary *Clearly define terms in order to be accessible across audiences.* --> <!-- ## Model Card Authors *Lists the people who create the model card, providing recognition and accountability for the detailed work that goes into its construction.* --> <!-- ## Model Card Contact *Provides a way for people who have updates to the Model Card, suggestions, or questions, to contact the Model Card authors.* -->