File size: 25,800 Bytes
1d813d0 |
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 |
---
tags:
- sentence-transformers
- sentence-similarity
- feature-extraction
- generated_from_trainer
- dataset_size:200
- loss:TripletLoss
base_model: sentence-transformers/all-MiniLM-L6-v2
widget:
- source_sentence: '[ELISTA] Apa saja kegiatan utama yang dikelola oleh ELISTA? (Tugas
Akhir/Skripsi/Tesis/Disertasi)?'
sentences:
- Pengajuan judul tugas akhir.Pembuatan alur waktu (timeline) tugas akhir.Pembimbingan
secara online dan offline.Pembuatan undangan dan jadwal seminar/sidang tugas akhir.Manajemen
tugas akhir untuk pengelola tugas akhir.Informasi terkait mahasiswa bimbingan,
serta rekap dosen pembimbing, dosen penguji, dan mahasiswa bimbingan.Berbagai
informasi bagi dosen seperti jadwal konsultasi, jadwal seminar/sidang dan lainnya.Berbagai
informasi bagi mahasiswa seperti penerimaan/penolakan ajuan judul tugas akhir,
respon bimbingan oleh dosen, dan lainnya. Pengajuan judul tugas akhir. Pembuatan
alur waktu (timeline) tugas akhir. Pembimbingan secara online dan offline. Pembuatan
undangan dan jadwal seminar/sidang tugas akhir. Manajemen tugas akhir untuk pengelola
tugas akhir. Informasi terkait mahasiswa bimbingan, serta rekap dosen pembimbing,
dosen penguji, dan mahasiswa bimbingan. Berbagai informasi bagi dosen seperti
jadwal konsultasi, jadwal seminar/sidang dan lainnya. Berbagai informasi bagi
mahasiswa seperti penerimaan/penolakan ajuan judul tugas akhir, respon bimbingan
oleh dosen, dan lainnya.
- 'Jumlah Poin maksimal kelebihan kinerja yang dapat dibayarkan:Untuk Dosen biasa
= 56 poin (150%)Untuk Dosen dengan tugas tambahan = 42 poin (150%) Jumlah Poin
maksimal kelebihan kinerja yang dapat dibayarkan: Untuk Dosen biasa = 56 poin
(150%) Untuk Dosen dengan tugas tambahan = 42 poin (150%)'
- FOTOCOPY KONVERSI NIPFOTOCOPY SK CPNSFOTOCOPY SK PNSFOTOCOPY SK PANGKAT TERAKHIRDAFTAR
KELUARGA PNS (DIKETAHUI ATASAN LANGSUNG)LAPORAN PERKAWINAN PERTAMA (DIKETAHUI
ATASAN LANGSUNG)FOTOCOPY SURAT NIKAH YANG DI LEGALISIR OLEH ATASAN LANGSUNGPAS
FOTO UKURAN 3X4 (HITAM PUTIH) 3 LEMBAR (SUAMI+ISTRI)LAPORAN PERKAWINAN KEDUA (DIKETAHUI
ATASAN LANGSUNG)*
- source_sentence: Bagaimana cara mendapatkan Surat Keterangan Sedang Tidak Menerima
Beasiswa?
sentences:
- Anda dapat mengakses atau login ke dalam aplikasi SIREMUN (Remunerasi) dengan
menggunakan akun yang sama dengan akun akses ke SIAKAD. Anda dapat mengakses atau
login ke dalam aplikasi SIREMUN (Remunerasi) dengan menggunakan akun yang sama
dengan akun akses ke SIAKAD.
- 1. Menemui Wakil Dekan III Bidang Kemahasiswaan dan Alumni Keguruan dan Ilmu Pendidikanguna
mendapatkan Memomengenai hal terkait2. Membawa memo tersebut pada bagian Kemahasiswaan
FKIP 1. Menemui Wakil Dekan III Bidang Kemahasiswaan dan Alumni Keguruan dan Ilmu
Pendidikanguna mendapatkan Memomengenai hal terkait 2. Membawa memo tersebut pada
bagian Kemahasiswaan FKIP
- Tidak boleh dihapus, tapi ajukan permohonan perbaikan/penyesuaian MK pada kurikulum
melalui Dekan/Wakil Dekan Akademik kemudian disampaikan kepada Wakil Rektor Bidang
Akademik. Tidak boleh dihapus, tapi ajukan permohonan perbaikan/penyesuaian MK
pada kurikulum melalui Dekan/Wakil Dekan Akademik kemudian disampaikan kepada
Wakil Rektor Bidang Akademik.
- source_sentence: bagaimana prosedur pembuatan surat keterangan lulus (SKL)?
sentences:
- Kelebihan kinerja dapat dibayarkan jika BKD terpenuhi dan kinerja lebih dari 16
sks. Kelebihan kinerja dapat dibayarkan jika BKD terpenuhi dan kinerja lebih dari
16 sks.
- Surat Keterangan Lulus (SKL) dapat diajukan apabila mahasiswa telah mendaftar
yudisium fakultas.1. Mahasiswa mengajukan surat permohonan yang ditujukan ke Dekan
Fakultas Sains dan Teknologi2. Melampirkan berita acara ujian skripsi dan transkrip
nilai sementara Surat Keterangan Lulus (SKL) dapat diajukan apabila mahasiswa
telah mendaftar yudisium fakultas. 1. Mahasiswa mengajukan surat permohonan yang
ditujukan ke Dekan Fakultas Sains dan Teknologi 2. Melampirkan berita acara ujian
skripsi dan transkrip nilai sementara
- Password simpeg sama dengan password siakad,bila password siakad pun lupa silahkan
datang ke helpdesk LPTIK atau kirim email ke [email protected] Password
simpeg sama dengan password siakad, bila password siakad pun lupa silahkan datang
ke helpdesk LPTIK atau kirim email ke [email protected]
- source_sentence: Jika asesor pertama menyatakan valid, tapi asesor kedua menyatakan
tidak valid terhadap BKD saya, apa yang harus saya lakukan (Remunerasi)?
sentences:
- Perhatikan saran/komentar dari asesor kedua dan kemudian tindaklanjuti sesuai
saran/komentar dari asesor kedua. Perhatikan saran/komentar dari asesor kedua
dan kemudian tindaklanjuti sesuai saran/komentar dari asesor kedua.
- 'Untuk pelayanan mahasiswa yang berkaitan dengan akademik dapat menghubungi staf
kependidikan masing-masing jurusan pada program studi, atau bisa menghubungi kontak
person sebagai berikut:# Jurusan Pendidikan Dokter1. Program Studi Pendidikan
Dokter : Ibu Melly Priyana, SE (085208500620) Ruang Kerja : Ruang Akademik FKIK
Unja2. Program Studi Profesi Dokter : Ibu Yuricho,S.Kep (085269962998) Ruang Kerja
:Ruang Dekan FKIK Unja# Jurusan Ilmu Keperawatan1. Program Studi Ilmu Keperawatan
: Ibu Nursamsiah (082178444274) Ruang kerja : Ruang Akademik FKIK Unja2. Program
Studi Profesi Ners : Ibu Nurlaila,S.Pd (082177180778)Ruang kerja : Ruang Akademik
FKIK Unja# Jurusan Ilmu Kesehatan Masyarakat1. Program Studi Ilmu Kesehatan Masyarakat
: Bapak Yudhi Desfratama Putra Alda, S.H. (085839603772) Ruang kerja : Ruang Program
Studi Ilmu Kesehatan Masyarakat# Jurusan Ilmu Psikolgi1. Program Studi Psikologi
: Ibu Lina (085383337698) Ruang kerja : Ruang Dekan FKIK Unja# Jurusan Farmasi1.
Program Studi Farmasi : Bapak Ides Nawinata, S.E (085269826454) Ruang kerja :
Ruang Perlengkapan FKIK Unja# Kemahasiswaan (Aktif Kuliah)1. Kemahasiswaan : Bapak
Irwansyah, S.K.M (0895620070754) Ruang kerja : Ruang Perlengkapan FKIK Unja# Laboratorium1.
Lab Keterampilan Klinik (SKillab) : Ibu Dyna Afriyanti,Am.Far (082177434105)2.
Lab Biomedik : Ibu Peggy Dwi Pratiwi, Am.Ak (082281159219)3. Lab Anatomi : Bapak
Yusiro (085269413988)# Perpustakaan1. Lab Perpustakaan : Ibu Fristi (082182211964)#
Lab ICT-CBT1. Pendaftaran UKMPPD (Profesi Dokter), Pendaftaran UKNI (Profesi Ners),
Pendaftaran Yudisium, Penurunan UKT : Bapak Martinsyah, S.E (085266892842)2. Operator
Teknis ICT-CBT : Bapak Mory Setiawan, S.Pd (085268330478) Untuk pelayanan mahasiswa
yang berkaitan dengan akademik dapat menghubungi staf kependidikan masing-masing
jurusan pada program studi, atau bisa menghubungi kontak person sebagai berikut:
# Jurusan Pendidikan Dokter 1. Program Studi Pendidikan Dokter : Ibu Melly Priyana,
SE (085208500620) Ruang Kerja : Ruang Akademik FKIK Unja 2. Program Studi Profesi
Dokter : Ibu Yuricho,S.Kep (085269962998) Ruang Kerja :Ruang Dekan FKIK Unja #
Jurusan Ilmu Keperawatan 1. Program Studi Ilmu Keperawatan : Ibu Nursamsiah (082178444274)
Ruang kerja : Ruang Akademik FKIK Unja 2. Program Studi Profesi Ners : Ibu Nurlaila,S.Pd
(082177180778)Ruang kerja : Ruang Akademik FKIK Unja # Jurusan Ilmu Kesehatan
Masyarakat 1. Program Studi Ilmu Kesehatan Masyarakat : Bapak Yudhi Desfratama
Putra Alda, S.H. (085839603772) Ruang kerja : Ruang Program Studi Ilmu Kesehatan
Masyarakat # Jurusan Ilmu Psikolgi 1. Program Studi Psikologi : Ibu Lina (085383337698)
Ruang kerja : Ruang Dekan FKIK Unja # Jurusan Farmasi 1. Program Studi Farmasi
: Bapak Ides Nawinata, S.E (085269826454) Ruang kerja : Ruang Perlengkapan FKIK
Unja # Kemahasiswaan (Aktif Kuliah) 1. Kemahasiswaan : Bapak Irwansyah, S.K.M
(0895620070754) Ruang kerja : Ruang Perlengkapan FKIK Unja # Laboratorium 1. Lab
Keterampilan Klinik (SKillab) : Ibu Dyna Afriyanti,Am.Far (082177434105) 2. Lab
Biomedik : Ibu Peggy Dwi Pratiwi, Am.Ak (082281159219) 3. Lab Anatomi : Bapak
Yusiro (085269413988) # Perpustakaan 1. Lab Perpustakaan : Ibu Fristi (082182211964)
# Lab ICT-CBT 1. Pendaftaran UKMPPD (Profesi Dokter), Pendaftaran UKNI (Profesi
Ners), Pendaftaran Yudisium, Penurunan UKT : Bapak Martinsyah, S.E (085266892842)
2. Operator Teknis ICT-CBT : Bapak Mory Setiawan, S.Pd (085268330478)'
- silakan reset passwordnya melalui link https://siharka.menpan.go.id/ pilih bagian
lupa password silakan reset passwordnya melalui link https://siharka.menpan.go.id/
pilih bagian lupa password
- source_sentence: 5. Saya Cek Ijazah Saya di Sivil Dikti, Ternyata Data Ijazah Saya
Tidak Terdaftar. Bagaimana Prosedur Selanjutnya?
sentences:
- Cari data anda pada linkhttps://pddikti.kemdikbud.go.id/dengan menginputkan NIM
pada kolom pencarian.Bila data tetap tidak ditemukan silahkan hubungi Helpdesk
BAK UNJA melalaui WhatsApp di 0821 8147 6636 Cari data anda pada linkhttps://pddikti.kemdikbud.go.id/dengan
menginputkan NIM pada kolom pencarian.Bila data tetap tidak ditemukan silahkan
hubungi Helpdesk BAK UNJA melalaui WhatsApp di 0821 8147 6636
- Kelebihan kinerja dapat dibayarkan jika BKD terpenuhi dan kinerja lebih dari 16
sks. Kelebihan kinerja dapat dibayarkan jika BKD terpenuhi dan kinerja lebih dari
16 sks.
- Kelebihan kinerja dapat dibayarkan jika BKD terpenuhi dan kinerja lebih dari 16
sks. Kelebihan kinerja dapat dibayarkan jika BKD terpenuhi dan kinerja lebih dari
16 sks.
pipeline_tag: sentence-similarity
library_name: sentence-transformers
---
# SentenceTransformer based on sentence-transformers/all-MiniLM-L6-v2
This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [sentence-transformers/all-MiniLM-L6-v2](https://huggingface.co/sentence-transformers/all-MiniLM-L6-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/all-MiniLM-L6-v2](https://huggingface.co/sentence-transformers/all-MiniLM-L6-v2) <!-- at revision c9745ed1d9f207416be6d2e6f8de32d1f16199bf -->
- **Maximum Sequence Length:** 256 tokens
- **Output Dimensionality:** 384 dimensions
- **Similarity Function:** Cosine Similarity
<!-- - **Training Dataset:** Unknown -->
<!-- - **Language:** Unknown -->
<!-- - **License:** Unknown -->
### 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': 256, '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})
(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("sentence_transformers_model_id")
# Run inference
sentences = [
'5. Saya Cek Ijazah Saya di Sivil Dikti, Ternyata Data Ijazah Saya Tidak Terdaftar. Bagaimana Prosedur Selanjutnya?',
'Cari\xa0data anda pada linkhttps://pddikti.kemdikbud.go.id/dengan menginputkan NIM pada kolom pencarian.Bila data tetap tidak ditemukan silahkan hubungi Helpdesk BAK UNJA melalaui WhatsApp di 0821 8147 6636 Cari\xa0data anda pada linkhttps://pddikti.kemdikbud.go.id/dengan menginputkan NIM pada kolom pencarian.Bila data tetap tidak ditemukan silahkan hubungi Helpdesk BAK UNJA melalaui WhatsApp di 0821 8147 6636',
'Kelebihan kinerja dapat dibayarkan jika BKD terpenuhi dan kinerja lebih dari 16 sks. Kelebihan kinerja dapat dibayarkan jika BKD terpenuhi dan kinerja lebih dari 16 sks.',
]
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: 200 training samples
* Columns: <code>sentence_0</code>, <code>sentence_1</code>, and <code>sentence_2</code>
* Approximate statistics based on the first 200 samples:
| | sentence_0 | sentence_1 | sentence_2 |
|:--------|:------------------------------------------------------------------------------------|:------------------------------------------------------------------------------------|:------------------------------------------------------------------------------------|
| type | string | string | string |
| details | <ul><li>min: 10 tokens</li><li>mean: 32.59 tokens</li><li>max: 116 tokens</li></ul> | <ul><li>min: 4 tokens</li><li>mean: 137.68 tokens</li><li>max: 256 tokens</li></ul> | <ul><li>min: 4 tokens</li><li>mean: 130.25 tokens</li><li>max: 256 tokens</li></ul> |
* Samples:
| sentence_0 | sentence_1 | sentence_2 |
|:------------------------------------------------------------------------------------------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| <code>Saya sudah mengajukan BKD kepada asesor, dan karena satu alasan saya ingin membatalkan ajuan BKD tersebut. Apa yang harus saya lakukan (Remunerasi)?</code> | <code>Klik tombol merahBuat Permohonan Pembatalan Ajuandi menuBKD dan Kinerja. Klik tombol merahBuat Permohonan Pembatalan Ajuandi menuBKD dan Kinerja.</code> | <code>Membuat surat permohonan yang ditujukan ke Dekan Fakultas PertanianSurat Keterangan Bebas Pustaka Fakultas PertanianSurat Keterangan Bebas Pustaka Universitas JambiBukti Registrasi Terakhir</code> |
| <code>Bagaimana cara mengakses atau login ke aplikasi SIREMUN (Remunerasi)?</code> | <code>Anda dapat mengakses atau login ke dalam aplikasi SIREMUN (Remunerasi) dengan menggunakan akun yang sama dengan akun akses ke SIAKAD. Anda dapat mengakses atau login ke dalam aplikasi SIREMUN (Remunerasi) dengan menggunakan akun yang sama dengan akun akses ke SIAKAD.</code> | <code>DATA IPK ALUMNI UNJA TELAH KAMI LAPORKAN KE PANGKALAN DATA DIKTI (PDDIKTI) SESUSAI DENGAN NILAI IPK YANG TERTERA PADA TRANSKRIP NILAI ANDA.JIKA SETELAH PELAPORAN DATA INI MASIH DITEMUKAN KETIDAKSESUAIAN IPK ANTARA TRANSKRIP NILAI UNJA DENGAN APLIKASI PPG SILAHKAN ANDA MENGKONFIRMASI KE ADMIN APILIKASI PPG (CEK DI WEBSITE PPG) DATA IPK ALUMNI UNJA TELAH KAMI LAPORKAN KE PANGKALAN DATA DIKTI (PDDIKTI) SESUSAI DENGAN NILAI IPK YANG TERTERA PADA TRANSKRIP NILAI ANDA. JIKA SETELAH PELAPORAN DATA INI MASIH DITEMUKAN KETIDAKSESUAIAN IPK ANTARA TRANSKRIP NILAI UNJA DENGAN APLIKASI PPG SILAHKAN ANDA MENGKONFIRMASI KE ADMIN APILIKASI PPG (CEK DI WEBSITE PPG)</code> |
| <code>Untuk menambahkan lokasi presensi Dosen (karena tugas tambahan), Siapa yang bisa dihubungi?</code> | <code>Silakan hubungi bagian kepegawaian BUPK Universitas Jambi Silakan hubungi bagian kepegawaian BUPK Universitas Jambi</code> | <code>DATA IPK ALUMNI UNJA TELAH KAMI LAPORKAN KE PANGKALAN DATA DIKTI (PDDIKTI) SESUSAI DENGAN NILAI IPK YANG TERTERA PADA TRANSKRIP NILAI ANDA.JIKA SETELAH PELAPORAN DATA INI MASIH DITEMUKAN KETIDAKSESUAIAN IPK ANTARA TRANSKRIP NILAI UNJA DENGAN APLIKASI PPG SILAHKAN ANDA MENGKONFIRMASI KE ADMIN APILIKASI PPG (CEK DI WEBSITE PPG) DATA IPK ALUMNI UNJA TELAH KAMI LAPORKAN KE PANGKALAN DATA DIKTI (PDDIKTI) SESUSAI DENGAN NILAI IPK YANG TERTERA PADA TRANSKRIP NILAI ANDA. JIKA SETELAH PELAPORAN DATA INI MASIH DITEMUKAN KETIDAKSESUAIAN IPK ANTARA TRANSKRIP NILAI UNJA DENGAN APLIKASI PPG SILAHKAN ANDA MENGKONFIRMASI KE ADMIN APILIKASI PPG (CEK DI WEBSITE PPG)</code> |
* Loss: [<code>TripletLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#tripletloss) with these parameters:
```json
{
"distance_metric": "TripletDistanceMetric.EUCLIDEAN",
"triplet_margin": 5
}
```
### Training Hyperparameters
#### Non-Default Hyperparameters
- `per_device_train_batch_size`: 16
- `per_device_eval_batch_size`: 16
- `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`: 16
- `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`: 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`: 3
- `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`: 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
- `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`: round_robin
</details>
### Framework Versions
- Python: 3.11.13
- Sentence Transformers: 4.1.0
- Transformers: 4.52.4
- PyTorch: 2.6.0+cu124
- Accelerate: 1.7.0
- Datasets: 2.14.4
- Tokenizers: 0.21.1
## 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",
}
```
#### TripletLoss
```bibtex
@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.*
--> |