Views
No views yet
SentenceTransformer(
(0): Transformer({'transformer_task': 'feature-extraction', 'modality_config': {'text': {'method': 'forward', 'method_output_name': 'last_hidden_state'}}, 'module_output_name': 'token_embeddings', 'architecture': 'RobertaModel'})
(1): Pooling({'embedding_dimension': 768, 'pooling_mode': 'mean', 'include_prompt': True})
)pip install -U sentence-transformers1from sentence_transformers import SentenceTransformer
2
3# Download from the 🤗 Hub
4model = SentenceTransformer("sentence_transformers_model_id")
5# Run inference
6sentences = [
7 '플레이어가 고대 요새에 있는 차원문을 이용하여 도망간 장소는 어디인가?',
8 '플레이어 캐릭터는 툴리우스 장군이 감독 하에 사형될 죄수 중 한 명으로, 이 죄수 중에는 제국에 대한 반란을 일으킨 울프릭 스톰클록도 있다. 플레이어가 처형되기 직전, 알두인이라는 이름의 드래곤이 나타나 사형 집행을 방해하고 헬겐 마을을 파괴한다. 플레이어는 습격으로 인한 혼란 속에서 탈출하여 드래곤의 위협에 대한 경고와 도움을 요청하고자 도시 화이트런으로 떠난다. 근교의 드래곤을 처치한 플레이어는 드래곤의 영혼을 흡수하여 외침의 일종인 용언을 사용할 수 있게 된다. 놀란 도시의 경비병들은 플레이어가 드래곤본일 것이라 알려주고, 플레이어는 스카이림의 가장 높은 산인 세계의 목구멍에서 은둔하는 수도자 그레이비어드들의 호출로 그곳에 가게 된다. 그레이비어드들은 플레이어가 용언을 사용할 수 있도록 훈련시키고 알두인을 저지하는 그들의 역할을 소개한다. 플레이어는 알두인의 귀환을 예언한 엘더 스크롤이 전하는 일련의 예언 속 사건 중 스카이림의 내전이 마지막에 위치해있다는 것을 알게 된다.\n\n플레이어는 이후 오래된 드래곤 사냥꾼인 블레이드의 일원을 만나게 된다. 플레이어와 블레이드는 스카이 해븐 사원으로 이동해 알두인의 벽에 있는 예언의 부조를 찾고 고대 노르드가 알두인을 상대로 특별한 용언을 사용하여 그와 맞설수 있었다는 사실을 알게 된다. 플레이어는 더 많은 정보를 얻고자 그레이비어드의 인도자인 고대의 드래곤 파서낙스를 만난다. 파서낙스는 고대의 노르드 영웅들이 알두인이 다시 돌아오지 않도록 엘더 스크롤을 사용해 그를 시간의 흐름 속에 던져버렸다고 밝힌다. 플레이어는 엘더 스크롤을 찾은 뒤 그것을 사용해 시간의 창문으로 알두인과 싸우기 위한 용언을 배우게 된다. 플레이어와 싸우게 된 알두인은 노르드족의 내세인 소븐가르드로 도망쳐 죽은 노르드의 영혼을 삼켜 힘을 얻고자 한다.\n\n플레이어는 오다빙이라는 드래곤을 소환해 함정에 가둔 뒤 알두인이 스컬다픈이라는 고대 요새에 위치한 차원문을 통해 소븐가르드로 도망쳤다는 사실을 알게 된다. 오다빙은 드래곤본에게서 도망친 알두인이 스스로 나약함을 드러내었고, 드래곤 종족의 지도자로서의 자격이 없다고 말하며 플레이어를 태우고 스컬다픈으로 데려다줄 것을 허락한다. 플레이어는 소븐가르드로 들어가 용맹의 전당에 도착하고, 이곳에서 알두인을 물리친 고대의 노르드 세 영웅을 만나게 된다. 영웅들의 도움으로 플레이어는 두 번째로 알두인을 물리치게 되지만 언젠가는 세상을 파괴하려는 운명을 완수하고자 되돌아 올 수 있다는 암시도 주어진다.',
9 '외국인 직접투자(FDI)가 올해 처음으로 200억달러를 돌파했다. 경영 참가와 기술 제휴 등을 목적으로 한 외국인의 국내 공장 설립이나 지분 인수 등이 늘었다.산업통상자원부는 올해 외국인이 국내에 직접투자한 규모가 지난 22일 기준 204억3000만달러로 사상 처음 200억달러를 넘었다고 23일 발표했다. 신고 후 실제 금액이 집행된 도착기준 FDI도 올 들어 같은 기간 151억8800만달러로 지난해 수준(115억1700만달러)을 넘어섰다.국가별로는 정보기술(IT), 물류 중심으로 국내 서비스업 투자를 늘린 미국이 54억5000만달러로 가장 많았다. 지난해 같은 기간보다 56.6% 급증했다. 한국의 브랜드, 기술력, 한류를 활용하기 위해 투자를 늘린 중국도 19억7000만달러로 증가폭이 70.6%에 달했다. 포스코건설 지분 인수(11억3000만달러) 등 대형 프로젝트가 있었던 중동의 투자도 13억8000만달러로 526.0% 껑충 뛰었다.반면 지난해 한국에서 대규모 기업 인수합병(M&A)을 했던 유럽연합(EU)은 올해는 61.8% 줄어든 24억5000만달러를 투자했고, 일본도 엔저 효과 등으로 129.9% 감소한 16억1000만달러 투자에 그쳤다.유형별로는 외국 자본이 투자할 때 용지를 직접 매입하고 공장이나 사업장을 새로 짓는 방식의 ‘그린필드형’ 투자는 137억3000만달러였고, M&A 투자는 66억8000만달러였다.김영삼 산업부 투자정책관은 “한·중 자유무역협정(FTA)이 발효된 덕분에 내년에도 200억달러 수준이 될 수 있을 것”으로 전망했다.',
10]
11embeddings = model.encode(sentences)
12print(embeddings.shape)
13# [3, 768]
14
15# Get the similarity scores for the embeddings
16similarities = model.similarity(embeddings, embeddings)
17print(similarities)
18# tensor([[ 1.0000, 0.5986, -0.0644],
19# [ 0.5986, 1.0000, -0.0692],
20# [-0.0644, -0.0692, 1.0000]])EmbeddingSimilarityEvaluator| Metric | Value |
|---|---|
| pearson_cosine | 0.8041 |
| spearman_cosine | 0.8138 |
sentence_0 and sentence_1| sentence_0 | sentence_1 | |
|---|---|---|
| type | string | string |
| details |
|
|
| sentence_0 | sentence_1 |
|---|---|
네오위즈가 피망 슬롯 출시를 미룬다고 말한 사람은? | ㈜네오위즈(대표 문지수)는 자사가 서비스하고 ㈜네오위즈플레이스튜디오(대표 오은석)에서 개발한 ‘피망 슬롯: 카지노 로얄(이하 피망 슬롯)’이 애플 앱스토어에 출시했다고 25일 밝혔다. ‘피망 슬롯’은 슬롯 머신 30종을 무료로 즐길 수 있는 모바일 소셜 카지노 게임이다. 빨간망토, 서커스, 마법사, 몬스터 사냥꾼 등 다양한 테마로 재미를 높였으며, 사실적인 사운드와 화려한 이펙트로 실감나게 게임을 즐길 수 있다. 2017년 구글 플레이 스토어에 먼저 출시해 서비스 중이다. 네오위즈는 이번 애플 앱스토어 출시로 보다 많은 이용자들에게 맞춤형 콘텐츠를 비롯 다양한 즐거움을 제공한다는 방침이다. 한편, ‘피망 슬롯’은 국제 공인 인증 기관인 GLI로부터 RNG(Random Number Generator, 무규칙 난수 생성기) 인증을 획득했다. RNG는 게임에서 추출한 데이터를 분석해 시스템 조작 가능 여부를 판단, 서비스하는 게임에 대하여 게임사의 인위적 개입이 없다는 것을 검증하는 국제 공인 인증 방식이다. 네오위즈는 이미 지난 4월 ‘포커’, ‘뉴맞고’, ‘섯다’, ‘블랙잭’, ‘바카라’ 등 게임 5종에 대해 RNG 인증을 받은 바 있다. 이번 ‘피망 슬롯’까지 추가 인증을 획득함에 따라 서비스 중인 게임들의 공정성과 투명성을 다시 한번 인정 받았다. |
장학금을 기부한 노조가 최초로 결성된 달은? | “노동조합 결성 이후 뭔가 뜻깊은 일을 하고 싶었습니다.” 숭실대 청소용역업체 미환개발의 노동조합(위원장 양재동)에 소속된 60~70대 청소노동자 102명이 노조활동비 일부를 재학생 장학금으로 내놓기로 했다. 월급이 120만원인 이들은 앞으로 5년 동안 매달 노조활동비 중 20만원(총 1200만원)을 재학생 장학금으로 기부하는 약정을 지난 14일 학교 측과 맺었다. 적은 월급에서 갹출해 마련하는 장학금이라는 점에서 의미가 깊다. 이들의 기부 뒤에는 노조 결성이라는 계기가 있었다. 지난해 5월 노조를 만들면서 학교 측과 상생할 수 있는 수준에서 노동 현실을 개선하고 사회에 이바지할 수 있는 조직을 만들자고 다짐했다. 노조 구성 직후 민주노총에 가입했지만 이들이 바라던 노조활동과는 상당한 차이가 있었다. 노조활동은 획일적이고 조직 논리가 강했다. 상부에서 지침이 정해지면 따라야 하는 구조였다. 결국 이들은 3개월 만에 민주노총에서 탈퇴하기로 했다. 지난해 9월 이들은 기업노조 형태로 노조를 재구성했다. 민주노총 가입과 탈퇴를 주도한 김흥진 부위원장(64)은 “분회 회의에서는 우리가 생각했던 것보다 더 많은 요구사항이 나왔다”며 “이렇게 유지될 노조라면 의미가 없다고 생각했고 새 노조를 구성하는데 뜻을 같이했다”고 말했다. 청소노동자들의 판단은 옳았다. 지난달 단체협약에서 노조는 휴식시간을 한 시간 늘리는 방안 정도로 요구사항을 압축했고, 학교 측은 이를 그대로 수용했다. 노조의 이번 기부는 학교 측에 대한 화답이기도 하다. 학교 측과 상생하며 근무 여건을 개선했고 이제는 장학금 기부로 기여하겠다는 의미다. |
테일러 교수가 스탠퍼드대에 임용된 연도는? | “지금과 같은 제로금리 상황에서는 정부가 재량적으로 재정 확대 정책을 펼쳐 경기를 부양해야 한다.”(로렌스 서머스 하버드대 교수)“아니다. 정부의 재량을 줄이고 규칙에 입각해 재정 적자를 줄여 나가야 오히려 경기를 확장시킬 수 있다.”(존 테일러 스탠퍼드대 교수)미국 매사추세츠주 보스턴에서 열린 미국경제학회 연례총회 마지막 날인 5일(현지시간) 전 세계에서 모인 경제학자들의 시선은 정부의 적극적 수요창출을 지지해 케인시안으로 불리는 서머스 교수와 규칙에 입각한 재정 및 통화 정책을 주창한 테일러 교수의 ‘예산 적자와 재정 정책’ 토론회에 집중됐다. 미국을 제외한 전 세계에 디플레이션(경기침체 속 물가하락) 공포가 엄습한 상황에서 정부가 ‘곳간’을 어떻게 사용해야 하는지에 대해 최고의 석학들이 치열한 논쟁을 펼쳤기 때문이다.○테일러 “점진적 긴축, 경기확장 도움”‘테일러 준칙’의 설계자인 테일러 교수는 이날 재정정책에 적용할 수 있는 새로운 모형을 발표했다. ‘재정정책판 테일러 준칙’인 셈이다. 테일러 준칙이란 물가상승률과 경제성장률 등을 고려한 중앙은행의 기준금리 산정 방식이다. 1993년 테일러 교수가 발표한 이후 각국 중앙은행이 통화정책 수립에 널리 사용해 왔다. 미국의 경우엔 중앙은행(Fed)이 2008년 금융위기 이후 제로금리를 5년 넘게 유지하면서 현재는 사실상 ‘용도 폐기’된 상태다.테일러 교수는 “미국이 1990년대 초 50%에 육박했던 국내총생산(GDP) 대비 부채비율을 5년 동안 30%대 중반으로 줄였던 사례를 바탕으로 모형을 개발했다”며 “5년간 정부 지출을 3%씩 줄일 경우 투자는 GDP 대비 1%, 수출은 GDP 대비 2% 늘어나는 것으로 나타났다”고 말했다. “재정적자 감소에 대한 기대로 금리와 통화가치가 하락했기 때문”이라는 게 테일러 교수의 설명이다. 그는 “특히 ‘1년에 3%’라는 룰에 따라 점진적으로 지출을 줄이면 재정긴축이 경기 확장에 도움이 되는 것으로 나타났다”고 강조했다.○서머스 “재정정책은 상황 맞게 운용”반면 ‘재량적 ... |
MultipleNegativesRankingLoss with these parameters:
1{
2 "scale": 20.0,
3 "similarity_fct": "cos_sim",
4 "gather_across_devices": false,
5 "directions": [
6 "query_to_doc"
7 ],
8 "partition_mode": "joint",
9 "hardness_mode": null,
10 "hardness_strength": 0.0
11}per_device_train_batch_size: 16per_device_eval_batch_size: 16num_train_epochs: 1batch_sampler: no_duplicatesmulti_dataset_batch_sampler: round_robindo_predict: Falseeval_strategy: noprediction_loss_only: Trueper_device_train_batch_size: 16per_device_eval_batch_size: 16gradient_accumulation_steps: 1eval_accumulation_steps: Nonetorch_empty_cache_steps: Nonelearning_rate: 5e-05weight_decay: 0.0adam_beta1: 0.9adam_beta2: 0.999adam_epsilon: 1e-08max_grad_norm: 1num_train_epochs: 1max_steps: -1lr_scheduler_type: linearlr_scheduler_kwargs: Nonewarmup_ratio: Nonewarmup_steps: 0log_level: passivelog_level_replica: warninglog_on_each_node: Truelogging_nan_inf_filter: Trueenable_jit_checkpoint: Falsesave_on_each_node: Falsesave_only_model: Falserestore_callback_states_from_checkpoint: Falseuse_cpu: Falseseed: 42data_seed: Nonebf16: Falsefp16: Falsebf16_full_eval: Falsefp16_full_eval: Falsetf32: Nonelocal_rank: -1ddp_backend: Nonedebug: []dataloader_drop_last: Falsedataloader_num_workers: 0dataloader_prefetch_factor: Nonedisable_tqdm: Falseremove_unused_columns: Truelabel_names: Noneload_best_model_at_end: Falseignore_data_skip: Falsefsdp: []fsdp_config: {'min_num_params': 0, 'xla': False, 'xla_fsdp_v2': False, 'xla_fsdp_grad_ckpt': False}accelerator_config: {'split_batches': False, 'dispatch_batches': None, 'even_batches': True, 'use_seedable_sampler': True, 'non_blocking': False, 'gradient_accumulation_kwargs': None}parallelism_config: Nonedeepspeed: Nonelabel_smoothing_factor: 0.0optim: adamw_torch_fusedoptim_args: Nonegroup_by_length: Falselength_column_name: lengthproject: huggingfacetrackio_space_id: trackioddp_find_unused_parameters: Noneddp_bucket_cap_mb: Noneddp_broadcast_buffers: Falsedataloader_pin_memory: Truedataloader_persistent_workers: Falseskip_memory_metrics: Truepush_to_hub: Falseresume_from_checkpoint: Nonehub_model_id: Nonehub_strategy: every_savehub_private_repo: Nonehub_always_push: Falsehub_revision: Nonegradient_checkpointing: Falsegradient_checkpointing_kwargs: Noneinclude_for_metrics: []eval_do_concat_batches: Trueauto_find_batch_size: Falsefull_determinism: Falseddp_timeout: 1800torch_compile: Falsetorch_compile_backend: Nonetorch_compile_mode: Noneinclude_num_input_tokens_seen: noneftune_noise_alpha: Noneoptim_target_modules: Nonebatch_eval_metrics: Falseeval_on_start: Falseuse_liger_kernel: Falseliger_kernel_config: Noneeval_use_gather_object: Falseaverage_tokens_across_devices: Trueuse_cache: Falseprompts: Nonebatch_sampler: no_duplicatesmulti_dataset_batch_sampler: round_robinrouter_mapping: {}learning_rate_mapping: {}| Epoch | Step | Training Loss | spearman_cosine |
|---|---|---|---|
| -1 | -1 | - | 0.8138 |
| 0.4558 | 500 | 0.1591 | - |
| 0.9116 | 1000 | 0.1131 | - |
1@inproceedings{reimers-2019-sentence-bert,
2 title = "Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks",
3 author = "Reimers, Nils and Gurevych, Iryna",
4 booktitle = "Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing",
5 month = "11",
6 year = "2019",
7 publisher = "Association for Computational Linguistics",
8 url = "https://arxiv.org/abs/1908.10084",
9}1@misc{oord2019representationlearningcontrastivepredictive,
2 title={Representation Learning with Contrastive Predictive Coding},
3 author={Aaron van den Oord and Yazhe Li and Oriol Vinyals},
4 year={2019},
5 eprint={1807.03748},
6 archivePrefix={arXiv},
7 primaryClass={cs.LG},
8 url={https://arxiv.org/abs/1807.03748},
9}