Sentence Similarity
sentence-transformers
Safetensors
bert
feature-extraction
Generated from Trainer
dataset_size:142964
loss:MultipleNegativesRankingLoss
text-embeddings-inference
Instructions to use codersan/newfa_e5small2 with libraries, inference providers, notebooks, and local apps. Follow these links to get started.
- Libraries
- sentence-transformers
How to use codersan/newfa_e5small2 with sentence-transformers:
from sentence_transformers import SentenceTransformer model = SentenceTransformer("codersan/newfa_e5small2") sentences = [ "نمونه هایی از تئوری های توطئه ها که به نظر می رسد درست است؟", "آیا نظریه های توطئه ای وجود دارد که احتمالاً صادق است؟نظریه های توطئه ای که معلوم شد درست است؟", "بازیگران پانتومیم در حال اجرا بر روی صحنه هستند.", "چرا میل الکترون فلورین کمتر از کلر است ، در حالی که فلورین الکترونگاتیو ترین عنصر است؟" ] embeddings = model.encode(sentences) similarities = model.similarity(embeddings, embeddings) print(similarities.shape) # [4, 4] - Notebooks
- Google Colab
- Kaggle
| { | |
| "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 | |
| } |