Hugging Face's logo Hugging Face
  • Models
  • Datasets
  • Spaces
  • Buckets new
  • Docs
  • Enterprise
  • Pricing
    • Website
      • Tasks
      • HuggingChat
      • Collections
      • Languages
      • Organizations
    • Community
      • Blog
      • Posts
      • Daily Papers
      • Hardware
      • Learn
      • Discord
      • Forum
      • GitHub
    • Solutions
      • Team & Enterprise
      • Hugging Face PRO
      • Enterprise Support
      • Inference Providers
      • Inference Endpoints
      • Storage Buckets

  • Log In
  • Sign Up

samheym
/
GerBi-Encoder

Sentence Similarity
sentence-transformers
Safetensors
bert
feature-extraction
Generated from Trainer
dataset_size:81041718
loss:CoSENTLoss
text-embeddings-inference
Model card Files Files and versions
xet
Community

Instructions to use samheym/GerBi-Encoder with libraries, inference providers, notebooks, and local apps. Follow these links to get started.

  • Libraries
  • sentence-transformers

    How to use samheym/GerBi-Encoder with sentence-transformers:

    from sentence_transformers import SentenceTransformer
    
    model = SentenceTransformer("samheym/GerBi-Encoder")
    
    sentences = [
        "Welcher Whisky wird für blaues Blut verwendet?",
        "Versuchen Sie auch: 1 Blue Bloods Single Malt Scotch. 2 Scotch betrunken auf blauem Blut. 3 Finnerty's Scotch Whisky Blue Bloods. 4 trinkt Tom Selleck Scotch. 5 blaue Blut Scotch.",
        "...Menge... Ein Mol Saccharose und ein Mol Glucose beziehen sich auf die gleiche Menge an Molekülen. Denken Sie daran, dass der Maulwurf die Zähleinheit des Chemikers ist. Ein Mol von etwas ist 6.022137x10^23 Partikel einer Substanz.",
        "Pilgerfahrt nach Mekka. Mansa MÃ…«sÄÂ , entweder der Enkel oder der Großneffe von Sundiata, dem Begründer seiner Dynastie, bestieg 1307 den Thron. Im 17. Jahr seiner Herrschaft (1324) machte er sich auf den Weg seine berühmte Pilgerfahrt nach Mekka. Es war diese Pilgerfahrt, die die Welt für den erstaunlichen Reichtum Malis erweckte."
    ]
    embeddings = model.encode(sentences)
    
    similarities = model.similarity(embeddings, embeddings)
    print(similarities.shape)
    # [4, 4]
  • Notebooks
  • Google Colab
  • Kaggle
GerBi-Encoder
Ctrl+K
Ctrl+K
  • 1 contributor
History: 1 commit
samheym's picture
samheym
initial commit
860e8cb verified over 1 year ago
  • .gitattributes
    1.52 kB
    initial commit over 1 year ago