You can deploy this model and start earning money today!

Views

No views yet

BERT Amharic Text Embedding Small

Name: bert-amharic-embed-small
Availability: InStock

This is a sentence-transformers model finetuned from rasyosef/bert-small-amharic on the json dataset. It maps sentences & paragraphs to a 512-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: rasyosef/bert-small-amharic
Maximum Sequence Length: 512 tokens
Output Dimensionality: 512 dimensions
Similarity Function: Cosine Similarity
Training Dataset:
- json
Language: en
License: apache-2.0

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: BertModel 
  (1): Pooling({'word_embedding_dimension': 512, '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.

python

from sentence_transformers import SentenceTransformer

# Download from the 🤗 Hub
model = SentenceTransformer("yosefw/bert-amharic-embed-small")
# Run inference
sentences = [
    '“ጠይቄ አስጠየቄ እስኪ ልቋጠራት፣ የእነ ብረት አስጥል የእነ ንቦ ዘር ናት”',
    '“ጠይቄ አስጠየቄ እስኪ ልቋጠራት፣የእነ ብረት አስጥል የእነ ንቦ ዘር ናት”ማኅጸነ ለምለም፣ ዙፋን ላይ ሆና የምትፈርድ፣ ሲርብ በእናት አንጄት የምታጎርስ፣ ሲከፋ የምትዳስስ፣ ሲታረዙ የምታለብስ፣ ሀገር ሲጠቃ የምትተኩስ ሴት ከወዴት አለች? ቢባል ከኢትዮጵያ ነው።እንደ እናት ታዝናለች፣ ትፀልያለች፣ አሳምራ ታሳድጋለች፣ እንደ አባት ታስታጥቃለች፣ ለራሷም ትታጠቃለች፣ እንደ አርበኛ ትተኩሳለች፣ መቀነት ታጥቃ እንዳይፈታ አጥብቃ ጠላትን በመመለስ ለሀገር ጠበቃ ትሆናለች። የሌላው ዓለም እናት ጀግና ልትወልድ ትችላለች፣ የኢትዮጵያ እናት ግን ጀግና ወላድ ብቻ ሳትሆን ጀግናም ናት።በኢትዮጵያ በተለያዩ ዘመናት በተደረጉ ጦርነቶች ሴቶች ደጀን ሆነው በመተኮስ፣ ወገን ሲጎዳ ደም በማበስ፣ ሲሞት አፈር በማልበስ፣ ሲራብ በማጉረስ፣ የከፋ ጉዳት እንዳይደርስ ስልት በመቀየስ ለተመዘገቡት ድሎች ሁሉ የሴቷ እጅ አለበት። ኢትዮጵያዊት እናት ፈሪ ልጅ አትወልድም፣ ፈሪ ሰው አትወድም። “ተኳሽ እወዳለሁ ገዳይም አልጣላ፣ ሲደክመኝ አርፋለሁ ከጎፈሬው ጥላ” እያለች እልፍ ጀግኖችን ታፈልቃለች።ኢትዮጵያዊ መሆን ያኮራል፣ ስሙ ብቻ ያስከብራል። ለምድር የተሰጠው ሁሉ በኢትዮጵያ ውስጥ አለ። ኢትዮጵያ ለዓለም መኖርና ለስልጣኔ መፈጠር ቀዳሚዋ ናት። ቀዳሚዋ ከሌለች ተከታዮቹ መኖር አይቻላቸውምና፣ ዳሩ ኢትዮጵያ የፈጣሪውን ቁጣ በፀሎት፣ የጠላትን በትር በጥይት የምትመልስ\xa0 \xa0 \xa0 \xa0 \xa0 \xa0 \xa0 \xa0 \xa0 \xa0 \xa0 \xa0 \xa0 \xa0 \xa0 \xa0 \xa0 \xa0 \xa0 \xa0 \xa0 \xa0 \xa0 \xa0 \xa0 \xa0 \xa0 \xa0 \xa0 \xa0 \xa0 \xa0 \xa0 ሀገር ናትና ምንም አትሆንም።“ሀገራችን ኢትዮጵያን ባርካት ቀድሳት፣ ሰላም ስጣት ጠላቶቿን ፈጥነህ አስገዛላት፣ ዳሯን እሳት መሀሏን ገነት አድርግላት” የሚለው የካህኑ ልመና “ሰላም ይሁን የሚለው የሼሁ ዱዓ” የማይታዩ ነገር ግን የማይሸነፉ አሳልፈው የማይሰጡ የኢትዮጵያ ሚስጥራዊ ወታደሮች ናቸው። ለሚስጥር እና ለምስክር የተፈጠረች ሀገር ፍፃሜ ዓለም እስኪደርስ ድረስ ትቆያለች እንጂ አትሰጋም።የማይፈሩና የማይደፈሩ ምድራዊ ወታደሮች፣ ረቂቅ ሰማያዊ ጠባቂዎች ያሏት ሀገር ናት። ሰውና ፈጣሪ፣ ሰውና መላዕክት በስስት የሚመለከቷት አብዝተው የሚወዷት፣ በደስታ የሚጠብቋት ሀገር ናት ኢትዮጵያ። የዓለም ዓይኖች ሁሉ ሊያይዋት ይመኟታል። በክፉ ያዩዋት ይጠፉባታል። በመልካም ያዩዋት ደግሞ ይከብሩባታል። ኢትዮጵያ ለደጎች እንጂ ለክፉዎች ቦታ የላትም። መሰረቷም ደግነት፣ አንድነት፣ አርቆ አሳቢነት፣ ብልህነት፣ ጠበብትነት፣ አይደፈሬነት፣ ጀግንነት እና አሸናፊነት ነው።የራያን ምድር አይቼ፣ በባሕላቸው ተደስቼ፣ በፍቅራቸው ተረትቼ፣ የግራ ካሶን ዳገት ወጥቼ፣ ኮረምን ተመልክቼ በወፍላ ተራራዎች ተገኝቼ ነበር። ብርዱ ልብ ያንሰፈስፋል። እጅ ያደነዝዛል። ተራራዎቹ ፈታኞች ናቸው። በወፍላ ተራራዎች ከቆቦ ተነስቶ፣ በግራ ካሶ ታላቅ ጀብዱ ፈፅሞ፣ ኮረምን አረጋግቶ፣ ጠላቱን አፅድቶ የትህነግን ታጣቂ እየደመሰሰ የሄደው የአማራ ልዩ ኃይል አባላት ይገኙበል። በማይሸሸው ልባቸው፣ በሚያነጣጥረው ዓይናቸው አካባቢውን እየጠበቁት ነው።አጥንት በሚሰረስው ብርዳማ ተራራ በፅናት እና በኩራት ለወገንና ለሀገር የቆመውን ሠራዊት ሳይ ደነቀኝ። ለእኛ ሙቀት የሚሰጡት እነርሱ እየበረዳቸው ነው። ለእኛ መኖር እነርሱ ሞተው ነው። ለእኛ ሰላም ማደር እነርሱ እንቅልፍ አጥተው ነው። ለወገን መልካም ሕይወት ሲሉ የእነርሱ ሕይወት በዱር በገደል፣ በተራራ በጉድብ ሆኗል። መታደል ነውና ይሁን ብዬ አለፍኩ።ትጥቅና ስንቅ አንግተው፣ በእግራቸው እየተጓዙ፣ በግራ ካሶ ተራራ እየተኮሱ ድል እየነሱ የሄዱና በወፍላ ተራራዎች ለወገን ዘብ የቆሙ ሴቶችን አየሁ። “ገና ሲወለድ እራሱን ሲላጭ፣ ይቅለበለባል እጁ ከምላጭ” እንዳለ እጃቸው ከመሳሪያቸው ምላጭ አጠገብ አይታጣም። ዓይናቸው እንደ ንስር ነው። አካባቢውን በንቃት ይመለከታሉ። የሴትነት ውበት አላሳሰባቸውም አፈር ምሰው ድንጋይ ተንተርሰው ያድራሉ እንጂ። የእነርሱ ውበት የወገናቸው ሰላምና ደስታ ነው። ስለወኔያቸውን በአንደበታቸው መስማት ፈለኩ። አናገርኳቸው። ጀግኖች ብቻ ሳይሆኑ ትሁትም ናቸው። በዚያ ውጊያ መሪና ተመሪ አልነበረም። መሪው ቀድሞ ይገባል። ስልት እየቀየሰ ራሱም እየተኮሰ ነበር የሚገባው። ይህ ደግሞ ለልዩ ኀይሉ መነሳሳት የፈጠረ ነበር። ሴት የልዩ ኀይል አባላት ከወንድ የልዩ ኃይል አባላት እኩል ግዳጅ ሲፈፅሙ እንደነበር ጓደኞቻቸው መስክረውላቸዋል። ከነብስ ወከፍ መሳሪያ ጀምሮ እንደ ወንዶች እኩል በመተኮስ፣ ለተራበ በማጉረስ፣ ለተጠማ በማጠጣት ተጋድሎ ሲያደርጉ እንደነበርም ተናግረውላቸዋል።ሴት የልዩ ኀይል አባላት የሚያሳዩት ጀብዱ ሠራዊቱ ለተጨማሪ ድል እንዲነሳሳ እንዳደረጋቸው ጓደኞቻቸው ነግረውኛል። የትኛውንም ጀብዱ ይፈፅማሉ ነው ያሏቸው።ምክትል ሳጅን ሕይወት አደመ፣ ኮንስታብል ማስተዋል አወቀና ኮንስታብል ሳዳ ሁሴን በወፍላ ተራራዎች ያገኜኋቸው ጀግኖች ናቸው። በዚያ ብርዳማ ስፍራ በወኔ ቆመዋል። ስለ አየር ንብረቱ ሲጠየቁ ለሀገር ዘብ ሲቆም ሁሉም ነገር ቀላል ነው ይላሉ። በነበረው ዘመቻ በግራ ካሶ ላይ ከጠላት በኩል በከባድ መሳሪያ የታገዘ ውጊያ ነበር፣ በያዝነው መሳሪያ መልስ እየሰጠን የጠላትን ምሽግ አፍርሰናል፣ ድል አድርገንም እዚህ ተገኝተናል ነው ያሉት።ሴት ወንድ ሳንል ለኢትዮጵያ እና ለኢትዮጵያውያን ጠላት የሆነውን አስወግደናል ወደፊትም እናስወግዳለን ነው ያሉኝ። ሀሳባቸው በክልል የተወሰነ አለመሆኑን እና ትግላቸው እንደ ኢትዮጵያ መሆኑንም ነግረውኛል። እኛ የአማራነት ጀግንነታችንን ተጠቅመን ለኢትዮጵያ እንቆማለንም ብለውኛል። በውትድርና ሕይወት በተለይም በውጊያ ወቅት ረሃብና ጥም አለ፤ ይህ ግን ለእነዚያ ሴት የልዩ ኃይል አባላት ካላማቸው አላስቀራቸውም።ለአማራና ለመላው የኢትዮጵያ ሕዝብ ሲባል ድካም አይደለም ሌላ ነገር ቢመጣ አይቆጨንም፣ ሁሉም በያለበት በወኔና በቁርጠኝነት መሥራት አለበት ነው ያሉት። “ኢትዮጵያዊነት እና ኢትዮጵያውያን እስከ መቼ ነው የሚጨቆኑት የሚለው ለትግል አስነስቶናል፣ በቀጣይም ለሚኖር ግዳጅ ወደኋላ አንልም፣ ለኢትዮጵያ አለንላት፣ ጀግንነታችንና ወኔያችን የተሟላ ነው፣ አይዞሽ እናታለም፣ ኩራትሽ ነን” ሲሉ ነበር በወፍላ ተራራዎች ካገኘኋቸው ጀግና ሴት የልዩ ኃይል አባላት የሰማሁት።“ጥንካሬ፣ ቆራጥነት፣ ፍቅርና አይበገሬነት አለባቸው። ኢትዮጵያን ሰላም እናደርጋታለን፣ ጀግንነታችን እና ወኔያችን ስንቅ አድርገን እንቀጥላለን፣ ኢትዮጵያም በእኛ ትኮራለች” ነበር ያሉኝ።ሴት የልዩ ኃይል አባላት የቀደሙት ጀግና ኢትዮጵያዊ እናቶችን ታሪክ ለመድገም ዝግጁ እንደሆኑም ነግረውኛል።ኢትዮጵያ ጉድብ ውስጥ አድራ አይዞሽ እናታለም አለሁልሽ የምትል ጀግና ሴት እና ከሞቀ ቤት እያደረ ሀብቷን የሚዘርፍ በጉያዋ ይዛለች። በአንደኛዋ ትኮራለች በአንደኛው ታዝናለች። መኩሪያ መሆን ቢያቅት ማፈሪያ ላለመሆን መሥራት መልካም ነው።“ጠይቄ አስጠየቄ እስኪ ልቋጠራት፣የእነ ብረት አስጥል የእነ ንቦ ዘር ናት” አዎ ጠይቄ ዘሯን አውቂያለሁ። ኩሩ ኢትዮጵያዊት ናት። ኩሩ ኢትዮጵያውያን ናቸው። እንዲህ አይነት ሴት ድሮስ ከዬት ሊገኝና፣ ብንችል ኢትዮጵያ ትኩራብን፣ ሰንደቁ ከፍ ይበልልን፣ ባንችል ግን ኢትዮጵያ አትፈርብን፣ ክብር ሁሉ ኢትዮጵያን ላከበሯት።',
    '«የእኔ ዕድሜ እኮዮች የተማርነው እንዴት ነበር?» ሲል ይጠይቃል የዛሬው የጋቢና ቴክ ተረኛ አቅራቢ ሀብታሙ ስዩም።ደግሞም ለራሱ ይመልሳል «ደብተር እና ብዕር ሸክፈን ፣መምህር አለበት ወደተባለበት ትምህርት ቤት በአጀብ ተመን አልነበረምን?» በማለት። የቀጣይ ዘመን ትምህርት ግን ከዚያ ልማድ ለወጥ የሚል መሆኑን ፍንጭ የሚያሳዩ ግኝቶች ብቅ ብለዋል። ወደ ትምህርት ቤት ከሚያቀኑ ብላቴናዎች ይልቅ ወደ ብላቴናዎች የሚመጣ ትምህርት፣እና መምህር ልናይ እንችላለን ።ለዚያ ማሳያ እንዲሆን ስለ አንድ የበይነመረብ ላይ አስኳላ፣ በቀጣይ ዘገባው ይነግረናል ።ሙሉ መሰናዶውን ያዳምጡ ፦\n ',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 512]

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

Evaluation

Metrics

Information Retrieval

Datasets: dim_512, dim_256 and dim_128
Evaluated with InformationRetrievalEvaluator

Metric	dim_512	dim_256	dim_128
cosine_accuracy@1	0.5817	0.5706	0.5554
cosine_accuracy@3	0.7312	0.7242	0.7048
cosine_accuracy@5	0.7857	0.7781	0.7573
cosine_accuracy@10	0.839	0.8323	0.8229
cosine_precision@1	0.5817	0.5706	0.5554
cosine_precision@3	0.2437	0.2414	0.2349
cosine_precision@5	0.1571	0.1556	0.1515
cosine_precision@10	0.0839	0.0832	0.0823
cosine_recall@1	0.5817	0.5706	0.5554
cosine_recall@3	0.7312	0.7242	0.7048
cosine_recall@5	0.7857	0.7781	0.7573
cosine_recall@10	0.839	0.8323	0.8229
cosine_ndcg@10	0.7097	0.7008	0.6864
cosine_mrr@10	0.6684	0.6587	0.643
cosine_map@100	0.6735	0.664	0.6483

Training Details

Training Dataset

json

Dataset: json
Size: 40,237 training samples
Columns: anchor and positive
Approximate statistics based on the first 1000 samples:
anchor positive
type string string
details
min: 5 tokens
mean: 15.12 tokens
max: 44 tokens
min: 46 tokens
mean: 304.71 tokens
max: 512 tokens

Samples:

anchor	positive
`ሚንስትር ዴኤታ ወይዘሮ አለም-ፀሀይ የአርባ ምንጭ ሆስፒታልና የኮቪድ-19 ሕክምና ማዕከልን ጎበኙ`	አዲስ አበባ፣ መስከረም 13፣ 2013 (ኤፍ.ቢ.ሲ) የጤና ሚኒስቴር ሚንስትር ዴኤታ ወይዘሮ አለምፀሀይ ጳውሎስ በደቡብ ክልል ጋሞ ዞን የአርባ ምንጭ ከተማ ሆስፒታል እና ጤና ጣቢያ ጎብኙ፡፡እንዲሁም በኮቪድ-19 የህክምና ማዕከል ተገኝተው ያለውን የስራ እንቅስቃሴ መመልከታቸውም ተገልጸል፡፡ሚኒስትር ዴኤታዋ በጉብኝቱ ወቅት የህክምና ተቋማቱ ለአካባቢ ነዋሪዎች እየሰጡ ያለውን ዘርፈ ብዙ አገልግሎት እና ለኮቪድ 19 ወረርሽኝ የመከላከልና የመቆጣጠር ምላሽ አሠጣጥ የሚበረታታና ውጤታማ እንደሆነ ተናግረዋል፡፡በዚህም ለማዕከሉ ሰራተኞች ምስጋናቸውን አቅርበዋል፡፡የተቋማቱ ስራ ኃላፊዎችም ከሚኒስትር ዴኤታዋ ጋር መወያየታቸው ተሰምቷል፡፡ኃላፊዎቹ አገልግሎታቸውን በተሟላ መንገድ ለመስራት አያስችሉንም ያሏቸውን ጉድለቶች አንስተው ውይይት አድረገውባቸዋል፡፡የህክምና ተቋማቱ ያሉበት የስራ አፈጻጸም የሚበረታታ ቢሆንም ለተሻለ ስራ መነሳትና የጤና አገልግሎቱን ይበልጥ ማሻሻል ያስፈልጋል ሲሉ ሚኒስትር ዴኤታዋ ማሳሰባቸውን ከሚኒስቴሩ ያገኘነው መረጃ ያመለክታል፡፡
`መምህራን በትምህርት ቤቶችና በአከባቢያቸው ሰላም እንዲረጋገጥ የበኩላቸውን ሚና እንዲወጡ ተጠየቁ`	መምህራን በትምህርት ቤቶችና በአከባቢያቸው ሰላም እንዲረጋገጥ የበኩላቸውን ሚና እንዲወጡ ተጠይቀዋል፡፡የሰላም ሚኒስቴር ከሳይንስና ከፍተኛ ትምህርት ሚኒስቴርና የኢትዮጵያ መምህራን ማህበር ጋር በመተባበር ያዘጋጁት ሀገር አቀፍ መምህራን የሰላም ውይይት መድረክ በአዲስ አበባ እየተካሄደ ነው፡፡በዚህ የውይይት መድረክ ላይ የሰላም ሚኒስትሯ ወይዘሮ ሙፈሪያት ካሚልን ጨምሮ ሌሎች ባለድርሻ አካላት ተገኝተዋል፡፡ውይይቱ “ሰላምና ሀገር ወዳድ መምህራኖች ፤ ሰላምና ሀገር ወዳድ ተማሪዎችን ያፈራሉ” በሚል መሪ ቃል እየተካሄደ የሚገኝ ሲሆን መምህራን በትምህርት ቤቶችና በአከባቢያቸው ሰላም እንዲረጋገጥ የበኩላቸውን ሚና እንዲወጡ ተጠይቀዋል፡፡በውይይቱ ንግግር ያደረጉት የሰላም ሚኒስትር ወይዘሮ ሙፈሪያት ካሚል መምህራን ትውልድን መቅረጽ ካላቸው እድል አንፃር ሰላምን በመስበክ በኩል ከፍተኛ አስተዋጽኦ ሊያበርክቱ ይገባል ብለዋል፡፡ሀገራዊ ግንባታ ትምህርትና የተሟላ ስብዕና የሚጠይቅ በመሆኑም ለማህበረሰብ ስብዕናና የበለጸገ ትውልድን በመፍጠር ረገድ የመምህራን ሚና ክፍተኛ መሆኑንም ተናግረዋል።ትምህርት ቤቶች የሰላም ማዕድ ይሆኑ ዘንድም መምህራን እያከናዎኑት ያለውን ትውልድን የመቅረጽ ተግባር አጠናክረው መቀጠል እንዳለባቸውም ወይዘሮ ሙፈሪያት አሳስበዋል፡፡ በውይይቱ ላይ አስተያየት የሰጡት መምህራን በበኩላቸው ሰላም ሁሉንም የሚመለከት ጉዳይ በመሆኑ ሰላምን በመስበክና በማረጋገጥ ረገድ ከመንግስት ጋር በመሆን የሚጠበቅባቸውን ኃላፊነት እንደሚወጡ ገልጸዋል፡፡በተለይም የስነ ዜጋ፣ ስነ ምግባርና የታሪክ ትምህርት መምህራን ለተማሪዎች በሚያቀርቡት ትምህርት ላይ ሚዛናዊና ኃላፊነት በተሞላበት መንገድ ማቅረብ እንዳለባቸውም ጠቁመዋል፡፡ መምህሩ በስነ ምግባር አርዓያ በመሆን ሰላምና ግብ...
`የኢትዮጵያ እና ማሊ ከ17 አመት በታች ብሄራዊ ቡድኖች ጨዋታ እሁድ ይካሄዳል`	በአዲስ አበባ ስታድየም እየተዘጋጀ የሚገኘው ብሄራዊ ቡድኑ በዛሬው የልምምድ መርሃ ግብር በእሁዱ ጨዋታ ላይ ቋሚ ተሰላፊዎች ይሆናሉ ተብለው የሚገመቱትን በመለየት የቅንጅትና ከርቀት አክርሮ የመምታት ልምምዶችን አከናውኗል፡፡ባለፉት ሶስት ቀናት በመጠነኛ ጉዳት በልምምድ ወቅት አቋርጠው ሲወጡ የነበሩት ሳሙኤል ተስፋዬ እና አቡበከር ነስሩ በዛሬው ልምምድ ከቡድኑ ጋር ሙሉ ልምምድ የሰሩ ሲሆን ሁሉም ተጨዋቾች በሙሉ ጤንነት ላይ ይገኛሉ፡፡ከ17 አመት ቡድናችን እሁድ ዕለት ከአፍሮ ፅዮን ጋር ባደረጉት የአቋም መፈተሻ ጨዋታ ላይ ከአፍሮፅዮን በኩል መልካም እንቅስቃሴ ያሳዩ 6 ተጨዋቾች ጥሪ ቀርቦላቸው በዛሬው ልምምድ ላይ ተገኝተው ከቡድኑ ጋር ልምምድ ያደረጉ ቢሆንም አሳማኝ እንቅስቃሴ ባለማሳየታቸው እንዲመለሱ ተደርጓል፡፡ቀይ ቀበሮዎቹ በእሁዱ ጨዋታ በባማኮ የደረሰባቸውን የ2-0 ሽንፈት ቀልብሰው ወደ ማዳጋስካር የአፍሪካ ከ17 አመት በታች ዋንጫ ለማምራት በከፍተኛ ተነሳሽነት እና ፍላጎት ዝግጅታቸውን በማከናወን ላይ እንደሚገኙ ለመታዘብ ችለናል፡፡በኢትዮጵያ እና ማሊ መካከል የሚደረገው ጨዋታ እሁድ መስከረም 22 ቀን 2009 በአዲስ አበባ ስታድየም 10:00 ላይ የሚካሄድ ሲሆን ጨዋታው የሚካሄድበት የአዲስ አበባ ስታድየም ሜዳን ምቹ ለማድረግ የሚያስችሉ ስራዎች እየተከናወኑ ይገኛሉ፡፡የእሁዱ ተጋጣሚያችን የማሊ ከ17 አመት በታች ብሄራዊ ቡድን አርብ አዲስ አበባ ይገባል፡፡ ጨዋታውን የሚመሩት አራቱም ዳኞች ከኒጀር ፤ ኮሚሽነሩ ደግሞ ከዩጋንዳ እንደተመደቡም ታውቋል፡፡

Loss: MatryoshkaLoss with these parameters:
json
1{ 2 "loss": "MultipleNegativesRankingLoss", 3 "matryoshka_dims": [ 4 512, 5 256, 6 128 7 ], 8 "matryoshka_weights": [ 9 1, 10 1, 11 1 12 ], 13 "n_dims_per_step": -1 14}

Training Hyperparameters

Non-Default Hyperparameters

eval_strategy: epoch
per_device_train_batch_size: 64
per_device_eval_batch_size: 64
num_train_epochs: 5
lr_scheduler_type: cosine
warmup_ratio: 0.1
seed: 16
fp16: True
load_best_model_at_end: True
optim: adamw_torch_fused
batch_sampler: no_duplicates

All Hyperparameters

Click to expand

overwrite_output_dir: False
do_predict: False
eval_strategy: epoch
prediction_loss_only: True
per_device_train_batch_size: 64
per_device_eval_batch_size: 64
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: 1.0
num_train_epochs: 5
max_steps: -1
lr_scheduler_type: cosine
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: 16
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: True
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_fused
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
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
use_liger_kernel: False
eval_use_gather_object: False
average_tokens_across_devices: False
prompts: None
batch_sampler: no_duplicates
multi_dataset_batch_sampler: proportional

Training Logs

Click to expand

Epoch	Step	Training Loss	dim_512_cosine_ndcg@10	dim_256_cosine_ndcg@10	dim_128_cosine_ndcg@10
0.0159	10	6.1922	-	-	-
0.0318	20	5.683	-	-	-
0.0477	30	4.6076	-	-	-
0.0636	40	3.9178	-	-	-
0.0795	50	3.1909	-	-	-
0.0954	60	2.3178	-	-	-
0.1113	70	2.1892	-	-	-
0.1272	80	1.9808	-	-	-
0.1431	90	1.8523	-	-	-
0.1590	100	1.6107	-	-	-
0.1749	110	1.4807	-	-	-
0.1908	120	1.4554	-	-	-
0.2067	130	1.2557	-	-	-
0.2226	140	1.0496	-	-	-
0.2385	150	1.1565	-	-	-
0.2544	160	1.0481	-	-	-
0.2703	170	1.1281	-	-	-
0.2862	180	0.9192	-	-	-
0.3021	190	0.9497	-	-	-
0.3180	200	1.1644	-	-	-
0.3339	210	0.9211	-	-	-
0.3498	220	0.7702	-	-	-
0.3657	230	0.9992	-	-	-
0.3816	240	0.8142	-	-	-
0.3975	250	0.9276	-	-	-
0.4134	260	0.9904	-	-	-
0.4293	270	0.8621	-	-	-
0.4452	280	0.8776	-	-	-
0.4610	290	0.9268	-	-	-
0.4769	300	0.7601	-	-	-
0.4928	310	0.7721	-	-	-
0.5087	320	0.892	-	-	-
0.5246	330	0.799	-	-	-
0.5405	340	0.8818	-	-	-
0.5564	350	0.7317	-	-	-
0.5723	360	0.7622	-	-	-
0.5882	370	0.5545	-	-	-
0.6041	380	0.6964	-	-	-
0.6200	390	0.5674	-	-	-
0.6359	400	0.639	-	-	-
0.6518	410	0.6187	-	-	-
0.6677	420	0.53	-	-	-
0.6836	430	0.6975	-	-	-
0.6995	440	0.6865	-	-	-
0.7154	450	0.7152	-	-	-
0.7313	460	0.6455	-	-	-
0.7472	470	0.8349	-	-	-
0.7631	480	0.6589	-	-	-
0.7790	490	0.4648	-	-	-
0.7949	500	0.8056	-	-	-
0.8108	510	0.7058	-	-	-
0.8267	520	0.6845	-	-	-
0.8426	530	0.6203	-	-	-
0.8585	540	0.5678	-	-	-
0.8744	550	0.5013	-	-	-
0.8903	560	0.5113	-	-	-
0.9062	570	0.7517	-	-	-
0.9221	580	0.7173	-	-	-
0.9380	590	0.5379	-	-	-
0.9539	600	0.6434	-	-	-
0.9698	610	0.661	-	-	-
0.9857	620	0.6275	-	-	-
1.0	629	-	0.6487	0.6366	0.6134
1.0016	630	0.6426	-	-	-
1.0175	640	0.4163	-	-	-
1.0334	650	0.323	-	-	-
1.0493	660	0.3823	-	-	-
1.0652	670	0.3506	-	-	-
1.0811	680	0.3523	-	-	-
1.0970	690	0.4006	-	-	-
1.1129	700	0.4216	-	-	-
1.1288	710	0.3462	-	-	-
1.1447	720	0.3954	-	-	-
1.1606	730	0.3752	-	-	-
1.1765	740	0.3412	-	-	-
1.1924	750	0.3188	-	-	-
1.2083	760	0.3089	-	-	-
1.2242	770	0.4076	-	-	-
1.2401	780	0.4033	-	-	-
1.2560	790	0.3759	-	-	-
1.2719	800	0.3031	-	-	-
1.2878	810	0.34	-	-	-
1.3037	820	0.3209	-	-	-
1.3196	830	0.4039	-	-	-
1.3355	840	0.4197	-	-	-
1.3514	850	0.4107	-	-	-
1.3672	860	0.4421	-	-	-
1.3831	870	0.4072	-	-	-
1.3990	880	0.351	-	-	-
1.4149	890	0.3924	-	-	-
1.4308	900	0.3622	-	-	-
1.4467	910	0.453	-	-	-
1.4626	920	0.456	-	-	-
1.4785	930	0.3161	-	-	-
1.4944	940	0.36	-	-	-
1.5103	950	0.3308	-	-	-
1.5262	960	0.3496	-	-	-
1.5421	970	0.4545	-	-	-
1.5580	980	0.3517	-	-	-
1.5739	990	0.3289	-	-	-
1.5898	1000	0.3153	-	-	-
1.6057	1010	0.2682	-	-	-
1.6216	1020	0.3237	-	-	-
1.6375	1030	0.5514	-	-	-
1.6534	1040	0.331	-	-	-
1.6693	1050	0.3172	-	-	-
1.6852	1060	0.3119	-	-	-
1.7011	1070	0.3216	-	-	-
1.7170	1080	0.366	-	-	-
1.7329	1090	0.3386	-	-	-
1.7488	1100	0.3613	-	-	-
1.7647	1110	0.2997	-	-	-
1.7806	1120	0.3683	-	-	-
1.7965	1130	0.3361	-	-	-
1.8124	1140	0.3198	-	-	-
1.8283	1150	0.3168	-	-	-
1.8442	1160	0.4225	-	-	-
1.8601	1170	0.3533	-	-	-
1.8760	1180	0.3054	-	-	-
1.8919	1190	0.324	-	-	-
1.9078	1200	0.3282	-	-	-
1.9237	1210	0.3696	-	-	-
1.9396	1220	0.3376	-	-	-
1.9555	1230	0.3517	-	-	-
1.9714	1240	0.3707	-	-	-
1.9873	1250	0.4085	-	-	-
2.0	1258	-	0.6781	0.6690	0.6496
2.0032	1260	0.2562	-	-	-
2.0191	1270	0.146	-	-	-
2.0350	1280	0.1519	-	-	-
2.0509	1290	0.174	-	-	-
2.0668	1300	0.1505	-	-	-
2.0827	1310	0.2005	-	-	-
2.0986	1320	0.175	-	-	-
2.1145	1330	0.1652	-	-	-
2.1304	1340	0.1639	-	-	-
2.1463	1350	0.1513	-	-	-
2.1622	1360	0.2161	-	-	-
2.1781	1370	0.2236	-	-	-
2.1940	1380	0.175	-	-	-
2.2099	1390	0.1829	-	-	-
2.2258	1400	0.1969	-	-	-
2.2417	1410	0.1787	-	-	-
2.2576	1420	0.1719	-	-	-
2.2734	1430	0.199	-	-	-
2.2893	1440	0.1696	-	-	-
2.3052	1450	0.243	-	-	-
2.3211	1460	0.147	-	-	-
2.3370	1470	0.1672	-	-	-
2.3529	1480	0.1754	-	-	-
2.3688	1490	0.1704	-	-	-
2.3847	1500	0.1626	-	-	-
2.4006	1510	0.1574	-	-	-
2.4165	1520	0.1755	-	-	-
2.4324	1530	0.2045	-	-	-
2.4483	1540	0.1851	-	-	-
2.4642	1550	0.16	-	-	-
2.4801	1560	0.1617	-	-	-
2.4960	1570	0.1743	-	-	-
2.5119	1580	0.1801	-	-	-
2.5278	1590	0.1622	-	-	-
2.5437	1600	0.1189	-	-	-
2.5596	1610	0.1623	-	-	-
2.5755	1620	0.1791	-	-	-
2.5914	1630	0.1648	-	-	-
2.6073	1640	0.1429	-	-	-
2.6232	1650	0.1595	-	-	-
2.6391	1660	0.1805	-	-	-
2.6550	1670	0.1693	-	-	-
2.6709	1680	0.1707	-	-	-
2.6868	1690	0.1234	-	-	-
2.7027	1700	0.1523	-	-	-
2.7186	1710	0.1912	-	-	-
2.7345	1720	0.1842	-	-	-
2.7504	1730	0.1707	-	-	-
2.7663	1740	0.1669	-	-	-
2.7822	1750	0.1671	-	-	-
2.7981	1760	0.1556	-	-	-
2.8140	1770	0.181	-	-	-
2.8299	1780	0.2468	-	-	-
2.8458	1790	0.1781	-	-	-
2.8617	1800	0.2035	-	-	-
2.8776	1810	0.1384	-	-	-
2.8935	1820	0.1757	-	-	-
2.9094	1830	0.1578	-	-	-
2.9253	1840	0.1411	-	-	-
2.9412	1850	0.1233	-	-	-
2.9571	1860	0.1866	-	-	-
2.9730	1870	0.1817	-	-	-
2.9889	1880	0.1426	-	-	-
3.0	1887	-	0.7011	0.6929	0.6774
3.0048	1890	0.1389	-	-	-
3.0207	1900	0.0981	-	-	-
3.0366	1910	0.1092	-	-	-
3.0525	1920	0.0811	-	-	-
3.0684	1930	0.1088	-	-	-
3.0843	1940	0.1247	-	-	-
3.1002	1950	0.0908	-	-	-
3.1161	1960	0.1228	-	-	-
3.1320	1970	0.1174	-	-	-
3.1479	1980	0.0806	-	-	-
3.1638	1990	0.1071	-	-	-
3.1797	2000	0.0933	-	-	-
3.1955	2010	0.0983	-	-	-
3.2114	2020	0.1353	-	-	-
3.2273	2030	0.1105	-	-	-
3.2432	2040	0.1075	-	-	-
3.2591	2050	0.1245	-	-	-
3.2750	2060	0.0796	-	-	-
3.2909	2070	0.1145	-	-	-
3.3068	2080	0.0842	-	-	-
3.3227	2090	0.0875	-	-	-
3.3386	2100	0.1133	-	-	-
3.3545	2110	0.0804	-	-	-
3.3704	2120	0.1128	-	-	-
3.3863	2130	0.083	-	-	-
3.4022	2140	0.0811	-	-	-
3.4181	2150	0.1173	-	-	-
3.4340	2160	0.1428	-	-	-
3.4499	2170	0.1148	-	-	-
3.4658	2180	0.0666	-	-	-
3.4817	2190	0.1066	-	-	-
3.4976	2200	0.1332	-	-	-
3.5135	2210	0.0815	-	-	-
3.5294	2220	0.1139	-	-	-
3.5453	2230	0.1443	-	-	-
3.5612	2240	0.0941	-	-	-
3.5771	2250	0.0922	-	-	-
3.5930	2260	0.1059	-	-	-
3.6089	2270	0.1023	-	-	-
3.6248	2280	0.1157	-	-	-
3.6407	2290	0.0936	-	-	-
3.6566	2300	0.1118	-	-	-
3.6725	2310	0.1165	-	-	-
3.6884	2320	0.0694	-	-	-
3.7043	2330	0.1117	-	-	-
3.7202	2340	0.1241	-	-	-
3.7361	2350	0.116	-	-	-
3.7520	2360	0.0755	-	-	-
3.7679	2370	0.0841	-	-	-
3.7838	2380	0.1067	-	-	-
3.7997	2390	0.1273	-	-	-
3.8156	2400	0.1179	-	-	-
3.8315	2410	0.1003	-	-	-
3.8474	2420	0.1027	-	-	-
3.8633	2430	0.0939	-	-	-
3.8792	2440	0.1036	-	-	-
3.8951	2450	0.0976	-	-	-
3.9110	2460	0.1085	-	-	-
3.9269	2470	0.1157	-	-	-
3.9428	2480	0.0906	-	-	-
3.9587	2490	0.0957	-	-	-
3.9746	2500	0.0817	-	-	-
3.9905	2510	0.0949	-	-	-
4.0	2516	-	0.7047	0.6975	0.6825
4.0064	2520	0.1151	-	-	-
4.0223	2530	0.0958	-	-	-
4.0382	2540	0.0959	-	-	-
4.0541	2550	0.1126	-	-	-
4.0700	2560	0.0732	-	-	-
4.0859	2570	0.0783	-	-	-
4.1017	2580	0.1312	-	-	-
4.1176	2590	0.0888	-	-	-
4.1335	2600	0.0824	-	-	-
4.1494	2610	0.0695	-	-	-
4.1653	2620	0.0639	-	-	-
4.1812	2630	0.1038	-	-	-
4.1971	2640	0.1011	-	-	-
4.2130	2650	0.1012	-	-	-
4.2289	2660	0.0943	-	-	-
4.2448	2670	0.0834	-	-	-
4.2607	2680	0.0712	-	-	-
4.2766	2690	0.096	-	-	-
4.2925	2700	0.0788	-	-	-
4.3084	2710	0.1016	-	-	-
4.3243	2720	0.0905	-	-	-
4.3402	2730	0.0954	-	-	-
4.3561	2740	0.0747	-	-	-
4.3720	2750	0.1137	-	-	-
4.3879	2760	0.122	-	-	-
4.4038	2770	0.078	-	-	-
4.4197	2780	0.0517	-	-	-
4.4356	2790	0.096	-	-	-
4.4515	2800	0.0775	-	-	-
4.4674	2810	0.1207	-	-	-
4.4833	2820	0.1079	-	-	-
4.4992	2830	0.1411	-	-	-
4.5151	2840	0.0988	-	-	-
4.5310	2850	0.0666	-	-	-
4.5469	2860	0.0943	-	-	-
4.5628	2870	0.0698	-	-	-
4.5787	2880	0.0721	-	-	-
4.5946	2890	0.092	-	-	-
4.6105	2900	0.1138	-	-	-
4.6264	2910	0.0814	-	-	-
4.6423	2920	0.0951	-	-	-
4.6582	2930	0.0717	-	-	-
4.6741	2940	0.0791	-	-	-
4.6900	2950	0.0789	-	-	-
4.7059	2960	0.1098	-	-	-
4.7218	2970	0.1017	-	-	-
4.7377	2980	0.071	-	-	-
4.7536	2990	0.135	-	-	-
4.7695	3000	0.072	-	-	-
4.7854	3010	0.0995	-	-	-
4.8013	3020	0.0571	-	-	-
4.8172	3030	0.0884	-	-	-
4.8331	3040	0.0729	-	-	-
4.8490	3050	0.0951	-	-	-
4.8649	3060	0.1106	-	-	-
4.8808	3070	0.0896	-	-	-
4.8967	3080	0.0723	-	-	-
4.9126	3090	0.0745	-	-	-
4.9285	3100	0.0741	-	-	-
4.9444	3110	0.1112	-	-	-
4.9603	3120	0.0757	-	-	-
4.9762	3130	0.1096	-	-	-
4.9921	3140	0.0963	-	-	-
5.0	3145	-	0.7097	0.7008	0.6864

The bold row denotes the saved checkpoint.

Framework Versions

Python: 3.11.11
Sentence Transformers: 3.4.1
Transformers: 4.49.0
PyTorch: 2.6.0+cu124
Accelerate: 1.3.0
Datasets: 3.3.1
Tokenizers: 0.21.0

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",
}

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}
}

	anchor	positive
type	string	string
details	min: 5 tokens mean: 15.12 tokens max: 44 tokens	min: 46 tokens mean: 304.71 tokens max: 512 tokens