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
- Xet hash:
- f3e49e4d4175c8ef373b47b8d95784b7b24618c0a80b3f4c81c430ef8b7ac566
- Size of remote file:
- 5.62 kB
- SHA256:
- 966029eb5558d1e893a6e105f223ddde8c1fff87cbd7afbcacc10b6b380f8c8f
·
Xet efficiently stores Large Files inside Git, intelligently splitting files into unique chunks and accelerating uploads and downloads. More info.