Sentence Similarity
sentence-transformers
Safetensors
xlm-roberta
feature-extraction
Generated from Trainer
dataset_size:16825
loss:MultipleNegativesRankingLoss
text-embeddings-inference
Instructions to use codersan/multilingual-e5-base-Fa with libraries, inference providers, notebooks, and local apps. Follow these links to get started.
- Libraries
- sentence-transformers
How to use codersan/multilingual-e5-base-Fa with sentence-transformers:
from sentence_transformers import SentenceTransformer model = SentenceTransformer("codersan/multilingual-e5-base-Fa") sentences = [ "کمپانی هند شرقی فرانسه در زمان سلطنت لویى چهاردهم، برای رقابت سیاسی، اقتصادی و استعماری با دولت بریتانیا در هندوستان تأسیس شد.", "کمپانی هند شرقی فرانسه در دوره پادشاهی لوئی چهاردهم تاسیس شد.", "جنگ موهاک بین کشورهای عثمانی و مجارستان رخ داد.", "فخرالدین عراقی جانشین شیخ بهاء الدین زکریا ملتانی بود." ] embeddings = model.encode(sentences) similarities = model.similarity(embeddings, embeddings) print(similarities.shape) # [4, 4] - Notebooks
- Google Colab
- Kaggle
File size: 349 Bytes
54213e7 | 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 | [
{
"idx": 0,
"name": "0",
"path": "",
"type": "sentence_transformers.models.Transformer"
},
{
"idx": 1,
"name": "1",
"path": "1_Pooling",
"type": "sentence_transformers.models.Pooling"
},
{
"idx": 2,
"name": "2",
"path": "2_Normalize",
"type": "sentence_transformers.models.Normalize"
}
] |