Sentence Similarity
sentence-transformers
TensorBoard
Safetensors
bert
feature-extraction
Generated from Trainer
dataset_size:12000
loss:CosineSimilarityLoss
text-embeddings-inference
Instructions to use codersan/validadted_e5smallStudent3 with libraries, inference providers, notebooks, and local apps. Follow these links to get started.
- Libraries
- sentence-transformers
How to use codersan/validadted_e5smallStudent3 with sentence-transformers:
from sentence_transformers import SentenceTransformer model = SentenceTransformer("codersan/validadted_e5smallStudent3") sentences = [ "تفاوتهای کلیدی بین موتورهای دیزلی و بنزینی چیست؟", "یک VPN یا شبکه خصوصی مجازی، ارتباط اینترنتی شما را رمزنگاری کرده و آن را از طریق یک سرور در مکانی که خودتان انتخاب کردهاید هدایت میکند و حفظ حریم خصوصی و امنیت را فراهم میآورد.", "طراحان صدا روی عناصر صوتی یک فیلم کار میکنند، از جمله افکتهای صوتی و دیالوگ.", "سوخت دیزل چگالتر است و انرژی بیشتری در هر گالن نسبت به بنزین دارد." ] embeddings = model.encode(sentences) similarities = model.similarity(embeddings, embeddings) print(similarities.shape) # [4, 4] - Notebooks
- Google Colab
- Kaggle
| { | |
| "__version__": { | |
| "sentence_transformers": "3.3.1", | |
| "transformers": "4.47.0", | |
| "pytorch": "2.5.1+cu121" | |
| }, | |
| "prompts": {}, | |
| "default_prompt_name": null, | |
| "similarity_fn_name": "cosine" | |
| } |