File size: 41,988 Bytes
29afbcc |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394 395 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417 418 419 420 421 422 423 424 425 426 427 428 429 430 431 432 433 434 435 436 437 438 439 440 441 442 443 444 445 446 447 448 449 450 451 452 453 454 455 456 457 458 459 460 461 462 463 464 465 466 467 468 469 470 471 472 473 474 475 476 477 478 479 480 481 482 483 484 485 486 487 488 489 490 491 492 493 494 495 496 497 498 499 500 501 502 503 504 505 506 507 508 509 510 511 512 513 514 515 516 517 518 519 520 521 522 523 524 525 526 527 528 529 530 531 532 533 534 535 536 537 538 539 540 541 542 543 544 545 546 547 548 549 550 551 552 553 554 555 556 557 558 559 560 561 562 563 564 565 566 567 568 569 570 571 572 573 574 575 576 577 578 579 580 581 582 583 584 585 586 587 588 589 590 591 592 593 594 595 596 597 598 599 600 601 602 603 604 605 606 607 608 609 610 611 612 613 614 615 616 617 618 619 620 621 622 623 624 625 626 627 628 629 630 631 632 633 634 635 636 637 638 639 640 641 642 643 644 645 646 647 648 649 650 651 652 653 654 655 656 657 658 659 660 661 662 663 664 665 666 667 668 669 |
---
base_model: intfloat/multilingual-e5-large
language:
- multilingual
library_name: sentence-transformers
license: apache-2.0
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:10590
- loss:Matryoshka2dLoss
- loss:MatryoshkaLoss
- loss:MultipleNegativesRankingLoss
widget:
- source_sentence: 'query: Terraplenada i piconatge per a fonament de terraplè amb
material seleccionat de la pròpia excavació, en tongades de fins a 25 cm, amb
una compactació del 95% del PM, en entorn urbà amb dificultat de mobilitat, en
voreres > 3 i <= 5 m d''amplària o calçada/plataforma única > 7 i <= 12 m d''amplària,
amb afectació per serveis o elements de mobiliari urbà, en actuacions de més de
2 m3'
sentences:
- 'passage: Terraplenada i piconatge per a fonament de terraplè amb material no
seleccionat de la pròpia excavació, en tongades de fins a 30 cm, amb una compactació
del 90% del PM, en entorn rural amb facilitat de mobilitat, en voreres > 2 i <=
4 m d''amplària o calçada/plataforma única > 5 i <= 10 m d''amplària, sense afectació
per serveis o elements de mobiliari urbà, en actuacions de menys de 3 m3.'
- 'passage: Colocación de losas de cimentación utilizando hormigón armado, incorporando
un 20% de áridos reciclados, con aditivo hidrófugo HRA - 30 / B / 10 / XC4 + XS1,
y una dosificación de cemento de 400 kg/m3 y relación agua-cemento ≤ 0.5, vertido
mediante cubilote.'
- 'passage: Terraplenat i col·locació de grava per a fonament de terraplè utilitzant
material seleccionat de l''excavació, en capes de fins a 25 cm, amb una compactació
del 95% del pes màxim, en un entorn urbà amb dificultats de trànsit, en voreres
d''amplada entre 3 i 5 m o calçades/plataformes d''amplada entre 7 i 12 m, amb
afectacions a serveis o elements de mobiliari urbà, en projectes de més de 2 m3.'
- source_sentence: 'query: Vidrio aislante de luna de baja emisividad de 8+8 mm de
espesor con 1 butiral transparente clase 2 (B) 2 según UNE-EN 12600, cámara de
aire de 8 mm y luna de 5+5 mm de espesor con 1 butiral traslúcido de luna incoloro,
clase 2 (B) 2 según UNE-EN 12600, colocado con perfiles conformados de neopreno
sobre aluminio o PVC'
sentences:
- 'passage: Vidrio de baja emisividad de 8+8 mm de grosor con una capa de butiral
transparente clase 2 (B) 2 conforme a UNE-EN 12600, con una cámara de aire de
8 mm y un vidrio de 5+5 mm de grosor con butiral translúcido incoloro, clase 2
(B) 2 según UNE-EN 12600, instalado con marcos de neopreno sobre aluminio o PVC.'
- 'passage: Vidrio de seguridad templado de 10+10 mm de espesor con 1 butiral opaco
clase 1 (A) 1 según UNE-EN 12600, cámara de aire de 10 mm y luna de 6+6 mm de
espesor con 1 butiral colorido, clase 1 (A) 1 según UNE-EN 12600, instalado con
marcos de acero inoxidable.'
- 'passage: Formigonament per a sostre nervat reticular amb formigó HA-25/F / 10
/ I de consistència líquida, amb una mida màxima del granulat de 10 mm, que conté
>= 250 kg/m3 de ciment, adequat per a classe d''exposició I, abocat mitjançant
cubilot.'
- source_sentence: 'query: Hormigonado de dinteles con hormigón para armar HA - 35
/ F / 10 / XC4 + XS1 con una cantidad de cemento de 325 kg/m3 i relación agua
cemento =< 0.5 y vertido con bomba'
sentences:
- 'passage: Formigonament per a fonaments a una profunditat màxima de 6 m utilitzant
formigó armat amb additiu impermeabilitzant HA - 35 / B / 20 / XC1, amb una dosi
de ciment de 300 kg/m3 i una relació aigua-ciment <= 0.6, abocat directament des
de camió.'
- 'passage: Colocación de dinteles utilizando hormigón HA - 35 / F / 10 / XC4 +
XS1, con una dosificación de cemento de 325 kg/m3 y una relación agua-cemento
menor o igual a 0.5, vertido mediante bomba.'
- 'passage: Hormigonado de vigas con mortero para armar HA - 30 / F / 15 / XC3 +
XS2 con una cantidad de cemento de 300 kg/m3 i relación agua cemento =< 0.6 y
vertido manualmente.'
- source_sentence: 'query: Reducción concéntrica, de polietileno, diámetro nominal
DN 63 - DN 50, presión nominal PN 16, con 2 uniones por soldadura socket (enchufe),
para canalización de polietileno para conducción de agua a presión, de acuerdo
con la norma UNE-EN 12201-3 y colocado en el fondo de la zanja en entorno urbano
sin dificultad de movilidad, sin afectación por presencia de servicios en la zanja,
sin presencia de entibación'
sentences:
- 'passage: Rigola de 40 cm d''amplada de peça de doble capa de formigó de color
blanc, dimensions 20x20x8 cm, destinada a rigoles, instal·lades amb morter i rejuntades
amb ciment, en àrees urbanes amb dificultats de mobilitat, en voreres de més de
5 m d''amplada o calçades/plataformes úniques de més de 12 m d''amplada, sense
interferències amb serveis o mobiliari urbà, en projectes de 10 a 100 m.'
- 'passage: Reducción excéntrica, de polipropileno, diámetro nominal DN 75 - DN
40, presión nominal PN 10, con 3 uniones por soldadura a tope, para canalización
de polipropileno para conducción de gas, de acuerdo con la norma UNE-EN 1555-3
y colocado en la parte superior de la zanja en entorno rural con dificultad de
movilidad, con afectación por presencia de servicios en la zanja, con necesidad
de entibación.'
- 'passage: Reducción excéntrica, de polietileno, diámetro nominal DN 63 - DN 50,
presión nominal PN 16, con 2 uniones por soldadura socket (enchufe), para tuberías
de polietileno destinadas a la conducción de agua a presión, conforme a la norma
UNE-EN 12201-3 y ubicada en el fondo de la zanja en un entorno urbano, sin obstáculos
para la movilidad, sin interferencias por servicios en la zanja, y sin necesidad
de entibación.'
- source_sentence: 'query: Aïllament amb planxa de poliestirè expandit (EPS), de 70
mm de gruix, de 100 kPa de tensió a la compressió, de 2 m2·K/W de resistència
tèrmica, amb una cara llisa i cantell preparat amb encaix, col·locades amb adhesiu
de formulació específica'
sentences:
- 'passage: Construcción de un forjado aligerado con un espesor total de 35 cm,
compuesto por una semiplaca de hormigón pretensado de 10 cm, bovedilla de poliestireno
de 19 cm y una capa de compresión de 6 cm, diseñado para soportar momentos flectores
de 98 a 197 kN·m y una sobrecarga de 4 a 5 kN/m2, utilizando armadura de acero
AP500 S y AP500 T, y hormigón HA - 30 con una dosificación de cemento de 300 kg/m3.'
- 'passage: Aïllament amb panell de poliuretà rígid, de 50 mm de gruix, de 150 kPa
de tensió a la compressió, de 3 m2·K/W de resistència tèrmica, amb una cara rugosa
i cantell recte, instal·lades amb un sistema de fixació mecànica.'
- 'passage: Aïllament amb panells de poliestirè extruït (XPS), de 80 mm de gruix,
amb una resistència a la compressió de 150 kPa, de 2,5 m2·K/W de resistència tèrmica,
amb una superfície llisa i vores dissenyades per encaixar, instal·lades amb un
adhesiu especialitzat.'
model-index:
- name: Multilingual E5 Large trained with triplet loss
results:
- task:
type: triplet
name: Triplet
dataset:
name: validation set
type: validation-set
metrics:
- type: cosine_accuracy
value: 1.0
name: Cosine Accuracy
- type: dot_accuracy
value: 0.0
name: Dot Accuracy
- type: manhattan_accuracy
value: 1.0
name: Manhattan Accuracy
- type: euclidean_accuracy
value: 1.0
name: Euclidean Accuracy
- type: max_accuracy
value: 1.0
name: Max Accuracy
- task:
type: triplet
name: Triplet
dataset:
name: test set
type: test-set
metrics:
- type: cosine_accuracy
value: 1.0
name: Cosine Accuracy
- type: dot_accuracy
value: 0.0
name: Dot Accuracy
- type: manhattan_accuracy
value: 1.0
name: Manhattan Accuracy
- type: euclidean_accuracy
value: 1.0
name: Euclidean Accuracy
- type: max_accuracy
value: 1.0
name: Max Accuracy
---
# Multilingual E5 Large trained with triplet loss
This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [intfloat/multilingual-e5-large](https://huggingface.co/intfloat/multilingual-e5-large) on the csv dataset. 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](https://huggingface.co/intfloat/multilingual-e5-large) <!-- at revision ab10c1a7f42e74530fe7ae5be82e6d4f11a719eb -->
- **Maximum Sequence Length:** 512 tokens
- **Output Dimensionality:** 1024 tokens
- **Similarity Function:** Cosine Similarity
- **Training Dataset:**
- csv
- **Language:** multilingual
- **License:** apache-2.0
### 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: 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:
```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("RamsesDIIP/me5-large-construction-esp-cat")
# Run inference
sentences = [
'query: Aïllament amb planxa de poliestirè expandit (EPS), de 70 mm de gruix, de 100 kPa de tensió a la compressió, de 2 m2·K/W de resistència tèrmica, amb una cara llisa i cantell preparat amb encaix, col·locades amb adhesiu de formulació específica',
'passage: Aïllament amb panells de poliestirè extruït (XPS), de 80 mm de gruix, amb una resistència a la compressió de 150 kPa, de 2,5 m2·K/W de resistència tèrmica, amb una superfície llisa i vores dissenyades per encaixar, instal·lades amb un adhesiu especialitzat.',
'passage: Aïllament amb panell de poliuretà rígid, de 50 mm de gruix, de 150 kPa de tensió a la compressió, de 3 m2·K/W de resistència tèrmica, amb una cara rugosa i cantell recte, instal·lades amb un sistema de fixació mecànica.',
]
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]
```
<!--
### 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.*
-->
## Evaluation
### Metrics
#### Triplet
* Dataset: `validation-set`
* Evaluated with [<code>TripletEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.TripletEvaluator)
| Metric | Value |
|:-------------------|:--------|
| cosine_accuracy | 1.0 |
| dot_accuracy | 0.0 |
| manhattan_accuracy | 1.0 |
| euclidean_accuracy | 1.0 |
| **max_accuracy** | **1.0** |
#### Triplet
* Dataset: `test-set`
* Evaluated with [<code>TripletEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.TripletEvaluator)
| Metric | Value |
|:-------------------|:--------|
| cosine_accuracy | 1.0 |
| dot_accuracy | 0.0 |
| manhattan_accuracy | 1.0 |
| euclidean_accuracy | 1.0 |
| **max_accuracy** | **1.0** |
<!--
## 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
#### csv
* Dataset: csv
* Size: 10,590 training samples
* Columns: <code>anchor</code>, <code>positive</code>, and <code>negative</code>
* Approximate statistics based on the first 1000 samples:
| | anchor | positive | negative |
|:--------|:-------------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------|
| type | string | string | string |
| details | <ul><li>min: 18 tokens</li><li>mean: 112.13 tokens</li><li>max: 315 tokens</li></ul> | <ul><li>min: 20 tokens</li><li>mean: 109.24 tokens</li><li>max: 314 tokens</li></ul> | <ul><li>min: 17 tokens</li><li>mean: 102.06 tokens</li><li>max: 298 tokens</li></ul> |
* Samples:
| anchor | positive | negative |
|:-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| <code>query: Pieza recta de hormigón para bordillos, doble capa, con sección normalizada peatonal A1 20x14 cm, según UNE 127340, de clase climática B, clase resistente a la abrasión H y clase resistente a flexión T (R-5 MPa) según UNE-EN 1340, colocado sobre base de hormigón no estructural HNE-15/P/40 de 20 a 25 cm de altura, y rejuntado con mortero para albañilería</code> | <code>passage: Elemento recto de concreto para bordillos, de doble capa, con dimensiones estandarizadas peatonales A1 20x14 cm, conforme a UNE 127340, de clase climática B, resistencia a la abrasión H y resistencia a flexión T (R-5 MPa) según UNE-EN 1340, instalado sobre una base de concreto no estructural HNE-15/P/40 de 20 a 25 cm de altura, y sellado con mortero para mampostería.</code> | <code>passage: Pieza curvada de hormigón para muros, capa simple, con sección no normalizada vehicular B2 30x20 cm, según UNE 127341, de clase climática A, clase resistente a la abrasión M y clase resistente a flexión S (R-10 MPa) según UNE-EN 1341, colocado sobre base de hormigón estructural HNE-20/P/50 de 15 a 20 cm de altura, y sellado con cemento para construcción.</code> |
| <code>query: Porta block de fulles batents de fusta per a interior, doble batent, de 35 mm de gruix, amb una llum de pas de 70 + 40 cm d'amplària i 200 cm d'alçària, per a un gruix de bastiment de 10 cm, com a màxim, acabat tropical envernissada, amb fulla cares llises de tauler aglomerat hidròfug xapat, galzes i tapajunts de MDF xapat, ribet de goma, ferramenta de penjar, pany de cop, amb joc de manetes, d'alumini anoditzat, amb placa petita, de preu mitjà</code> | <code>passage: Porta de fusta interior amb fulles batents, doble batent, gruix de 35 mm, amplada de 70 + 40 cm i alçada de 200 cm, dissenyada per a un gruix de bastiment de 10 cm com a màxim, acabat envernissat tropical, amb cares llises de tauler aglomerat resistent a la humitat, galzes i tapajunts de MDF, ribet de goma, incloent ferramenta de penjar, pany de cop, i joc de manetes d'alumini anoditzat amb placa petita, de gamma mitjana.</code> | <code>passage: Porta de fulles corredisses de metall per a exterior, amb un sistema de tancament automàtic, de 45 mm de gruix, amb una llum de pas de 80 + 50 cm d'amplària i 210 cm d'alçària, per a un gruix de bastiment de 12 cm, acabat galvanitzat, amb fulla de vidre temperitzat, marcs de ferro, segellat de silicona, mecanisme de bloqueig electrònic, amb manetes de plàstic reforçat, amb placa gran, de preu alt.</code> |
| <code>query: Formigonament de murs de contenció (CE, EHE), de 3 m d'alçària com a màxim, amb formigó en massa HM - 30 / B / 10 / XA2 amb una quantitat de ciment de 350 kg/m3 i relació aigua ciment =< 0.5 i abocat des de camió</code> | <code>passage: Construcció de murs de contenció (CE, EHE) amb una alçada màxima de 3 m, utilitzant formigó massiu HM - 30 / B / 10 / XA2, amb una dosi de ciment de 350 kg/m3 i una relació aigua-ciment ≤ 0.5, abocat directament des d'un camió.</code> | <code>passage: Formigonament de murs de suport (CE, EHE), de 4 m d'alçària com a mínim, amb formigó estructural C25/30 amb una quantitat de ciment de 400 kg/m3 i relació aigua ciment =< 0.45 i abocat manualment.</code> |
* Loss: [<code>Matryoshka2dLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#matryoshka2dloss) with these parameters:
```json
{
"loss": "MultipleNegativesRankingLoss",
"n_layers_per_step": 1,
"last_layer_weight": 1.0,
"prior_layers_weight": 1.0,
"kl_div_weight": 1.0,
"kl_temperature": 0.3,
"matryoshka_dims": [
1024,
768,
512,
256
],
"matryoshka_weights": [
1,
1,
1,
1
],
"n_dims_per_step": 1
}
```
### Evaluation Dataset
#### csv
* Dataset: csv
* Size: 10,590 evaluation samples
* Columns: <code>anchor</code>, <code>positive</code>, and <code>negative</code>
* Approximate statistics based on the first 1000 samples:
| | anchor | positive | negative |
|:--------|:-------------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------|
| type | string | string | string |
| details | <ul><li>min: 23 tokens</li><li>mean: 112.95 tokens</li><li>max: 320 tokens</li></ul> | <ul><li>min: 26 tokens</li><li>mean: 109.87 tokens</li><li>max: 302 tokens</li></ul> | <ul><li>min: 23 tokens</li><li>mean: 103.28 tokens</li><li>max: 309 tokens</li></ul> |
* Samples:
| anchor | positive | negative |
|:-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| <code>query: Aïllament tèrmic amb placa rígida d'escuma de poliisocianurat, de 35 kg/m3 de densitat, de 80 mm de gruix i 0,023 W/(m·K) de conductivitat tèrmica, amb recobriment de multicapa alumini, per a cobertes, amb fixacions mecàniques</code> | <code>passage: Aïllament tèrmic amb panells rígids d'escuma de poliuretà, de 35 kg/m3 de densitat, de 80 mm de gruix i 0,022 W/(m·K) de conductivitat tèrmica, amb recobriment d'alumini multicapa, per a teulades, amb sistemes de fixació mecànica.</code> | <code>passage: Aïllament acústic amb panells flexibles de fibra de vidre, de 50 kg/m3 de densitat, de 100 mm de gruix i 0,045 W/(m·K) de conductivitat acústica, amb recobriment de plàstic, per a parets interiors, amb adhesius especials.</code> |
| <code>query: Hormigonado para encepados, con hormigón para armar con aditivo hidrófugo HA - 35 / B / 20 / XC4 + XF1 + XA1 con una cantidad de cemento de 325 kg/m3 i relación agua cemento =< 0.5, colocado con cubilote en obras de ingeniería civil</code> | <code>passage: Mezcla de hormigón para cimentaciones, utilizando hormigón armado con aditivo impermeabilizante HA - 35 / B / 20 / XC4 + XF1 + XA1, con una dosificación de cemento de 325 kg/m3 y una relación agua-cemento menor o igual a 0.5, aplicado con cubilote en proyectos de infraestructura civil.</code> | <code>passage: Hormigonado para fundaciones, con hormigón para estructuras con aditivo retardante HA - 35 / B / 20 / XC4 + XF1 + XA1 con una cantidad de cemento de 350 kg/m3 y relación agua cemento =< 0.6, colocado con bomba en proyectos de edificación.</code> |
| <code>query: Formigonament per a sostre nervat reticular amb formigó HA-25/F / 10 / I de consistència fluïda, grandària màxima del granulat 10 mm, amb >= 250 kg/m3 de ciment, apte per a classe d'exposició I, abocat amb cubilot</code> | <code>passage: Formigonament per a sostre nervat reticular amb formigó HA-25/F / 10 / I de consistència líquida, amb una mida màxima del granulat de 10 mm, que conté >= 250 kg/m3 de ciment, adequat per a classe d'exposició I, abocat mitjançant cubilot.</code> | <code>passage: Formigonament per a sostre pla amb formigó HA-30/F / 12 / I de consistència espessa, grandària màxima del granulat 20 mm, amb >= 300 kg/m3 de ciment, apte per a classe d'exposició II, abocat amb bomba de formigó.</code> |
* Loss: [<code>Matryoshka2dLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#matryoshka2dloss) with these parameters:
```json
{
"loss": "MultipleNegativesRankingLoss",
"n_layers_per_step": 1,
"last_layer_weight": 1.0,
"prior_layers_weight": 1.0,
"kl_div_weight": 1.0,
"kl_temperature": 0.3,
"matryoshka_dims": [
1024,
768,
512,
256
],
"matryoshka_weights": [
1,
1,
1,
1
],
"n_dims_per_step": 1
}
```
### Training Hyperparameters
#### Non-Default Hyperparameters
- `eval_strategy`: steps
- `per_device_train_batch_size`: 6
- `per_device_eval_batch_size`: 6
- `learning_rate`: 4e-05
- `num_train_epochs`: 10
- `warmup_ratio`: 0.1
- `fp16`: True
- `optim`: rmsprop
- `batch_sampler`: no_duplicates
#### All Hyperparameters
<details><summary>Click to expand</summary>
- `overwrite_output_dir`: False
- `do_predict`: False
- `eval_strategy`: steps
- `prediction_loss_only`: True
- `per_device_train_batch_size`: 6
- `per_device_eval_batch_size`: 6
- `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`: 4e-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`: 10
- `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`: 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`: rmsprop
- `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
</details>
### Training Logs
| Epoch | Step | Training Loss | Validation Loss | validation-set_max_accuracy | test-set_max_accuracy |
|:------:|:-----:|:-------------:|:---------------:|:---------------------------:|:---------------------:|
| 0 | 0 | - | - | 0.8942 | - |
| 0.1416 | 200 | 0.5207 | 0.2853 | 0.9981 | - |
| 0.2833 | 400 | 0.2732 | 0.2365 | 0.9981 | - |
| 0.4249 | 600 | 0.2023 | 0.2480 | 0.9906 | - |
| 0.5666 | 800 | 0.1991 | 0.4594 | 0.9839 | - |
| 0.7082 | 1000 | 0.6376 | 0.1210 | 0.9953 | - |
| 0.8499 | 1200 | 0.217 | 0.0956 | 0.9981 | - |
| 0.9915 | 1400 | 0.1205 | 0.0848 | 0.9962 | - |
| 1.1324 | 1600 | 0.0678 | 0.2559 | 0.9896 | - |
| 1.2741 | 1800 | 0.0528 | 0.0454 | 0.9972 | - |
| 1.4157 | 2000 | 0.0494 | 0.0388 | 0.9981 | - |
| 1.5574 | 2200 | 0.7363 | 2.5659 | 0.5571 | - |
| 1.6990 | 2400 | 1.0851 | 0.0527 | 0.9972 | - |
| 1.8407 | 2600 | 0.1037 | 0.0476 | 0.9981 | - |
| 1.9823 | 2800 | 0.0865 | 0.0369 | 1.0 | - |
| 2.1232 | 3000 | 0.1278 | 0.0177 | 0.9991 | - |
| 2.2649 | 3200 | 0.0381 | 0.0211 | 0.9991 | - |
| 2.4065 | 3400 | 0.0217 | 0.0301 | 0.9953 | - |
| 2.5482 | 3600 | 0.019 | 0.0414 | 0.9962 | - |
| 2.6898 | 3800 | 0.0228 | 0.0194 | 0.9991 | - |
| 2.8314 | 4000 | 0.0167 | 0.0177 | 0.9991 | - |
| 2.9731 | 4200 | 0.0126 | 0.0166 | 1.0 | - |
| 3.1140 | 4400 | 0.0232 | 0.0183 | 0.9991 | - |
| 3.2557 | 4600 | 0.0197 | 0.0460 | 0.9981 | - |
| 3.3973 | 4800 | 0.0139 | 0.0154 | 1.0 | - |
| 3.5390 | 5000 | 0.0092 | 0.0287 | 0.9991 | - |
| 3.6806 | 5200 | 0.0107 | 0.0142 | 0.9991 | - |
| 3.8222 | 5400 | 0.007 | 0.0146 | 1.0 | - |
| 3.9639 | 5600 | 0.0103 | 0.0169 | 1.0 | - |
| 4.1048 | 5800 | 0.0082 | 0.0211 | 1.0 | - |
| 4.2465 | 6000 | 0.0074 | 0.0093 | 1.0 | - |
| 4.3881 | 6200 | 0.004 | 0.0099 | 0.9991 | - |
| 4.5297 | 6400 | 0.0071 | 0.0091 | 1.0 | - |
| 4.6714 | 6600 | 0.007 | 0.0053 | 1.0 | - |
| 4.8130 | 6800 | 0.0064 | 0.0052 | 1.0 | - |
| 4.9547 | 7000 | 0.0046 | 0.0077 | 1.0 | - |
| 5.0956 | 7200 | 0.0064 | 0.0081 | 1.0 | - |
| 5.2373 | 7400 | 0.0053 | 0.0096 | 0.9991 | - |
| 5.3789 | 7600 | 0.003 | 0.0123 | 1.0 | - |
| 5.5205 | 7800 | 0.0042 | 0.0033 | 1.0 | - |
| 5.6622 | 8000 | 0.0034 | 0.0045 | 1.0 | - |
| 5.8038 | 8200 | 0.0041 | 0.0063 | 0.9991 | - |
| 5.9455 | 8400 | 0.0032 | 0.0082 | 0.9991 | - |
| 6.0864 | 8600 | 0.0051 | 0.0037 | 1.0 | - |
| 6.2280 | 8800 | 0.0041 | 0.0073 | 1.0 | - |
| 6.3697 | 9000 | 0.003 | 0.0057 | 1.0 | - |
| 6.5113 | 9200 | 0.0027 | 0.0064 | 1.0 | - |
| 6.6530 | 9400 | 0.0034 | 0.0059 | 1.0 | - |
| 6.7946 | 9600 | 0.0035 | 0.0043 | 1.0 | - |
| 6.9363 | 9800 | 0.0054 | 0.0042 | 1.0 | - |
| 7.0772 | 10000 | 0.002 | 0.0074 | 1.0 | - |
| 7.2188 | 10200 | 0.0029 | 0.0058 | 1.0 | - |
| 7.3605 | 10400 | 0.0018 | 0.0049 | 1.0 | - |
| 7.5021 | 10600 | 0.0032 | 0.0041 | 1.0 | - |
| 7.6438 | 10800 | 0.0024 | 0.0077 | 1.0 | - |
| 7.7854 | 11000 | 0.0015 | 0.0070 | 1.0 | - |
| 7.9271 | 11200 | 0.005 | 0.0032 | 1.0 | - |
| 8.0680 | 11400 | 0.0015 | 0.0036 | 1.0 | - |
| 8.2096 | 11600 | 0.0054 | 0.0078 | 1.0 | - |
| 8.3513 | 11800 | 0.0023 | 0.0058 | 1.0 | - |
| 8.4929 | 12000 | 0.0018 | 0.0072 | 1.0 | - |
| 8.6346 | 12200 | 0.0018 | 0.0038 | 1.0 | - |
| 8.7762 | 12400 | 0.0022 | 0.0043 | 1.0 | - |
| 8.9178 | 12600 | 0.0029 | 0.0046 | 1.0 | - |
| 9.0588 | 12800 | 0.0014 | 0.0053 | 1.0 | - |
| 9.2004 | 13000 | 0.0011 | 0.0054 | 1.0 | - |
| 9.3421 | 13200 | 0.0042 | 0.0050 | 1.0 | - |
| 9.4837 | 13400 | 0.0014 | 0.0052 | 1.0 | - |
| 9.6254 | 13600 | 0.0018 | 0.0084 | 1.0 | - |
| 9.7670 | 13800 | 0.0016 | 0.0057 | 1.0 | - |
| 9.9086 | 14000 | 0.0012 | 0.0066 | 1.0 | - |
| 9.9936 | 14120 | - | - | 1.0 | 1.0 |
### Framework Versions
- Python: 3.10.12
- Sentence Transformers: 3.2.0
- Transformers: 4.44.2
- PyTorch: 2.4.1+cu121
- Accelerate: 0.34.2
- Datasets: 3.0.1
- 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",
}
```
#### Matryoshka2dLoss
```bibtex
@misc{li20242d,
title={2D Matryoshka Sentence Embeddings},
author={Xianming Li and Zongxi Li and Jing Li and Haoran Xie and Qing Li},
year={2024},
eprint={2402.14776},
archivePrefix={arXiv},
primaryClass={cs.CL}
}
```
#### MatryoshkaLoss
```bibtex
@misc{kusupati2024matryoshka,
title={Matryoshka Representation Learning},
author={Aditya Kusupati and Gantavya Bhatt and Aniket Rege and Matthew Wallingford and Aditya Sinha and Vivek Ramanujan and William Howard-Snyder and Kaifeng Chen and Sham Kakade and Prateek Jain and Ali Farhadi},
year={2024},
eprint={2205.13147},
archivePrefix={arXiv},
primaryClass={cs.LG}
}
```
#### 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}
}
```
<!--
## 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.*
--> |