README.md

metadata

tags:
  - sentence-transformers
  - sentence-similarity
  - feature-extraction
  - generated_from_trainer
  - dataset_size:800
  - loss:CosineSimilarityLoss
base_model: dangvantuan/sentence-camembert-large
widget:
  - source_sentence: Le toucher rectal est normal.
    sentences:
      - >-
        Devant la réticence initiale, une symptomatologie délirante est
        suspectée, mais elle ne sera jamais verbalisée par la patiente.
      - Le toucher vaginal était normal.
      - 'Sur le plan biologique , ce patient présente à l''admission :'
  - source_sentence: Une résection endoscopique de la tumeur a été réalisée.
    sentences:
      - Une mise à plat avec ligature de l’artère hypogastrique a été réalisée.
      - >-
        La figure 1 présente la chronologie des événements et de la prise des
        médicaments.
      - L'ECBU était stérile.
  - source_sentence: >-
      La quadrithérapie est poursuivie douze jours sans qu’aucune amélioration
      clinique ou biologique ne soit entrevue.
    sentences:
      - >-
        Un double abord abdominal et périnéal permit de réaliser une
        uréthro-cystectomie avec colpohystérectomie suivie d’une poche
        iléocaecale continente périombilicale.
      - >-
        Aucune récidive tumorale n’a été retrouvée par cytologie urinaire,
        urétéro-pyélographie rétrograde et urétéroscopie souple.
      - >-
        La patiente ne fume pas, ne prend que très rarement de l’alcool et n’a
        pas d’allergie aux médicaments.
  - source_sentence: La cystographie se révéla normale.
    sentences:
      - La cystographie rétrograde était normale.
      - Le reste de l’urètre était normal.
      - >-
        L’examen anatomo-pathologique conclut à un carcinome indifférencié, de
        stade pT 1 grade 3.
  - source_sentence: >-
      Le patient a été mis sous antibiothérapie adaptée (pénicilline A +
      aminoside).
    sentences:
      - Les prélèvements de sang et d'urine sont effectués 10 heures plus tard.
      - En octobre 2003, la patiente était en excellent état général.
      - >-
        L’étude anatomopathologique de la biopsie était en faveur d’un
        adénocarcinome à cellules claires.
pipeline_tag: sentence-similarity
library_name: sentence-transformers
metrics:
  - pearson_cosine
  - spearman_cosine
model-index:
  - name: SentenceTransformer based on dangvantuan/sentence-camembert-large
    results:
      - task:
          type: semantic-similarity
          name: Semantic Similarity
        dataset:
          name: sts dev
          type: sts-dev
        metrics:
          - type: pearson_cosine
            value: 0.9436084075678098
            name: Pearson Cosine
          - type: spearman_cosine
            value: 0.9430494182630849
            name: Spearman Cosine

SentenceTransformer based on dangvantuan/sentence-camembert-large

This is a sentence-transformers model finetuned from dangvantuan/sentence-camembert-large. It maps sentences & paragraphs to a 1024-dimensional dense vector space and can be used for semantic textual similarity, semantic search, paraphrase mining, text classification, clustering, and more.

Model Details

Model Description

• Model Type: Sentence Transformer
• Base model: dangvantuan/sentence-camembert-large
• Maximum Sequence Length: 514 tokens
• Output Dimensionality: 1024 dimensions
• Similarity Function: Cosine Similarity

Model Sources

• Documentation: Sentence Transformers Documentation
• Repository: Sentence Transformers on GitHub
• Hugging Face: Sentence Transformers on Hugging Face

Full Model Architecture

SentenceTransformer(
  (0): Transformer({'max_seq_length': 514, 'do_lower_case': False}) with Transformer model: CamembertModel 
  (1): Pooling({'word_embedding_dimension': 1024, '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})
)

Usage

Direct Usage (Sentence Transformers)

First install the Sentence Transformers library:

pip install -U sentence-transformers

Then you can load this model and run inference.

from sentence_transformers import SentenceTransformer

# Download from the 🤗 Hub
model = SentenceTransformer("sentence_transformers_model_id")
# Run inference
sentences = [
    'Le patient a été mis sous antibiothérapie adaptée (pénicilline A + aminoside).',
    'En octobre 2003, la patiente était en excellent état général.',
    "Les prélèvements de sang et d'urine sont effectués 10 heures plus tard.",
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 1024]

# Get the similarity scores for the embeddings
similarities = model.similarity(embeddings, embeddings)
print(similarities.shape)
# [3, 3]

Evaluation

Metrics

Semantic Similarity

• Dataset: sts-dev
• Evaluated with EmbeddingSimilarityEvaluator

Metric	Value
pearson_cosine	0.9436
spearman_cosine	0.943

Training Details

Training Dataset

Unnamed Dataset

• Size: 800 training samples
• Columns: sentence1, sentence2, and score
• Approximate statistics based on the first 800 samples:

  	sentence1	sentence2	score
  type	string	string	float
  details	min: 8 tokens mean: 23.6 tokens max: 97 tokens	min: 7 tokens mean: 23.23 tokens max: 90 tokens	min: 0.0 mean: 0.42 max: 1.0

• Samples:

  sentence1	sentence2	score
  L'UIV a objectivé un retard de sécrétion avec importante dilatation pyélo-calicielle et de l'uretère lombaire en amont d'un énorme calcul de l'uretère iliaque et pelvien droit (Figure 2).	L'UIV a montré une importante dilatation urétéro-pyélo-calicielle en amont d'un énorme calcul de l'uretère gauche, le coté droit était sans anomalies (Figure 6).	0.6
  1 Diminution méthadone à 80 mg TID.	7 Diminution méthadone à 20 mg TID	0.6
  L’examen clinique à l’entrée trouvait au toucher rectal une grosse vésicule séminale droite.	L'examen clinique trouvait au toucher rectal un plancher vésical fixé à gauche.	0.6

• Loss: CosineSimilarityLoss with these parameters:

  {
      "loss_fct": "torch.nn.modules.loss.MSELoss"
  }
  

Evaluation Dataset

Unnamed Dataset

• Size: 400 evaluation samples
• Columns: sentence1, sentence2, and score
• Approximate statistics based on the first 400 samples:

  	sentence1	sentence2	score
  type	string	string	float
  details	min: 8 tokens mean: 23.05 tokens max: 97 tokens	min: 7 tokens mean: 22.45 tokens max: 88 tokens	min: 0.0 mean: 0.45 max: 1.0

• Samples:

  sentence1	sentence2	score
  L’examen clinique était sans particularité.	La formule sanguine était sans particularité.	0.4
  Le bilan biologique était correct.	Le geste était complet.	0.0
  La sérologie VIH était négative.	La cytologie urinaire pyélique droite était négative.	0.2

• Loss: CosineSimilarityLoss with these parameters:

  {
      "loss_fct": "torch.nn.modules.loss.MSELoss"
  }
  

Training Hyperparameters

Non-Default Hyperparameters

• eval_strategy: steps
• per_device_train_batch_size: 128
• per_device_eval_batch_size: 16
• learning_rate: 1e-05
• num_train_epochs: 15
• warmup_ratio: 0.1
• fp16: True

All Hyperparameters

Click to expand

• overwrite_output_dir: False
• do_predict: False
• eval_strategy: steps
• prediction_loss_only: True
• per_device_train_batch_size: 128
• per_device_eval_batch_size: 16
• per_gpu_train_batch_size: None
• per_gpu_eval_batch_size: None
• gradient_accumulation_steps: 1
• eval_accumulation_steps: None
• torch_empty_cache_steps: None
• learning_rate: 1e-05
• weight_decay: 0.0
• adam_beta1: 0.9
• adam_beta2: 0.999
• adam_epsilon: 1e-08
• max_grad_norm: 1.0
• num_train_epochs: 15
• max_steps: -1
• lr_scheduler_type: linear
• lr_scheduler_kwargs: {}
• warmup_ratio: 0.1
• warmup_steps: 0
• log_level: passive
• log_level_replica: warning
• log_on_each_node: True
• logging_nan_inf_filter: True
• save_safetensors: True
• save_on_each_node: False
• save_only_model: False
• restore_callback_states_from_checkpoint: False
• no_cuda: False
• use_cpu: False
• use_mps_device: False
• seed: 42
• data_seed: None
• jit_mode_eval: False
• use_ipex: False
• bf16: False
• fp16: True
• fp16_opt_level: O1
• half_precision_backend: auto
• bf16_full_eval: False
• fp16_full_eval: False
• tf32: None
• local_rank: 0
• ddp_backend: None
• tpu_num_cores: None
• tpu_metrics_debug: False
• debug: []
• dataloader_drop_last: False
• dataloader_num_workers: 0
• dataloader_prefetch_factor: None
• past_index: -1
• disable_tqdm: False
• remove_unused_columns: True
• label_names: None
• load_best_model_at_end: False
• ignore_data_skip: False
• fsdp: []
• fsdp_min_num_params: 0
• fsdp_config: {'min_num_params': 0, 'xla': False, 'xla_fsdp_v2': False, 'xla_fsdp_grad_ckpt': False}
• fsdp_transformer_layer_cls_to_wrap: None
• accelerator_config: {'split_batches': False, 'dispatch_batches': None, 'even_batches': True, 'use_seedable_sampler': True, 'non_blocking': False, 'gradient_accumulation_kwargs': None}
• deepspeed: None
• label_smoothing_factor: 0.0
• optim: adamw_torch
• optim_args: None
• adafactor: False
• group_by_length: False
• length_column_name: length
• ddp_find_unused_parameters: None
• ddp_bucket_cap_mb: None
• ddp_broadcast_buffers: False
• dataloader_pin_memory: True
• dataloader_persistent_workers: False
• skip_memory_metrics: True
• use_legacy_prediction_loop: False
• push_to_hub: False
• resume_from_checkpoint: None
• hub_model_id: None
• hub_strategy: every_save
• hub_private_repo: None
• hub_always_push: False
• gradient_checkpointing: False
• gradient_checkpointing_kwargs: None
• include_inputs_for_metrics: False
• include_for_metrics: []
• eval_do_concat_batches: True
• fp16_backend: auto
• push_to_hub_model_id: None
• push_to_hub_organization: None
• mp_parameters:
• auto_find_batch_size: False
• full_determinism: False
• torchdynamo: None
• ray_scope: last
• ddp_timeout: 1800
• torch_compile: False
• torch_compile_backend: None
• torch_compile_mode: None
• dispatch_batches: None
• split_batches: None
• include_tokens_per_second: False
• include_num_input_tokens_seen: False
• neftune_noise_alpha: None
• optim_target_modules: None
• batch_eval_metrics: False
• eval_on_start: False
• use_liger_kernel: False
• eval_use_gather_object: False
• average_tokens_across_devices: False
• prompts: None
• batch_sampler: batch_sampler
• multi_dataset_batch_sampler: proportional

Training Logs

Epoch	Step	Validation Loss	sts-dev_spearman_cosine
2.5	10	0.0233	0.9013
5.0	20	0.0180	0.9274
7.5	30	0.0163	0.9364
10.0	40	0.0150	0.9407
12.5	50	0.0145	0.9425
15.0	60	0.0144	0.9430

Framework Versions

• Python: 3.12.8
• Sentence Transformers: 3.4.1
• Transformers: 4.47.1
• PyTorch: 2.5.1+cu124
• Accelerate: 1.4.0
• Datasets: 3.2.0
• Tokenizers: 0.21.0

Citation

BibTeX

Sentence Transformers

@inproceedings{reimers-2019-sentence-bert,
    title = "Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks",
    author = "Reimers, Nils and Gurevych, Iryna",
    booktitle = "Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing",
    month = "11",
    year = "2019",
    publisher = "Association for Computational Linguistics",
    url = "https://arxiv.org/abs/1908.10084",
}