metadata

base_model: Alibaba-NLP/gte-base-en-v1.5
language:
  - en
library_name: sentence-transformers
license: apache-2.0
metrics:
  - cosine_accuracy@1
  - cosine_accuracy@3
  - cosine_accuracy@5
  - cosine_accuracy@10
  - cosine_precision@1
  - cosine_precision@3
  - cosine_precision@5
  - cosine_precision@10
  - cosine_recall@1
  - cosine_recall@3
  - cosine_recall@5
  - cosine_recall@10
  - cosine_ndcg@10
  - cosine_mrr@10
  - cosine_map@100
pipeline_tag: sentence-similarity
tags:
  - sentence-transformers
  - sentence-similarity
  - feature-extraction
  - dataset_size:1K<n<10K
  - loss:MatryoshkaLoss
  - loss:MultipleNegativesRankingLoss
widget:
  - source_sentence: Żywot św. Stanisława
    sentences:
      - czym różni się Żywot św. Stanisława od Legendy św. Stanisława?
      - Mistrzostwa Krajów Bałkańskich w Lekkoatletyce 2012
      - dlaczego współcześni perfumiarze rzadko stosują zapach lawendy?
  - source_sentence: Bitwa nad Stones River
    sentences:
      - czyim zwycięstwem zakończyła się bitwa nad Stones River?
      - w jakim kraju jest przyznawany Order Białego Lotosu?
      - kiedy Victor Horta otrzymał tytuł barona?
  - source_sentence: gdzie rośnie bokkonia?
    sentences:
      - gdzie występuje rogownica szerokolistna?
      - ile goli dla Slawii Sofia strzelił Władimir Iwanow?
      - Przewody płciowe męskie i żeńskie uchodzą u nich odrębnymi otworami.
  - source_sentence: czym jest Kompas Sztuki?
    sentences:
      - ' Projekt Kompas Sztuki: Galeria m2 (m kwadrat).'
      - 'Do rodzaju Caraipa zaliczanych jest ok. 55 gatunków:'
      - w którym mieście działał malarz renesansowy Jacobello del Fiore?
  - source_sentence: Sen o zastrzyku Irmy
    sentences:
      - gdzie Freud spotkał Irmę we śnie o zastrzyku Irmy?
      - ile razy Srebrna Biblia była przywożona do Szwecji?
      - jaką techniką został namalowany obraz Bruegela Chrystus i cudzołożnica?
model-index:
  - name: gte-base-en-v1.5-klej-dyk-v0.1
    results:
      - task:
          type: information-retrieval
          name: Information Retrieval
        dataset:
          name: dim 768
          type: dim_768
        metrics:
          - type: cosine_accuracy@1
            value: 0.20673076923076922
            name: Cosine Accuracy@1
          - type: cosine_accuracy@3
            value: 0.4855769230769231
            name: Cosine Accuracy@3
          - type: cosine_accuracy@5
            value: 0.6730769230769231
            name: Cosine Accuracy@5
          - type: cosine_accuracy@10
            value: 0.7908653846153846
            name: Cosine Accuracy@10
          - type: cosine_precision@1
            value: 0.20673076923076922
            name: Cosine Precision@1
          - type: cosine_precision@3
            value: 0.16185897435897434
            name: Cosine Precision@3
          - type: cosine_precision@5
            value: 0.1346153846153846
            name: Cosine Precision@5
          - type: cosine_precision@10
            value: 0.07908653846153846
            name: Cosine Precision@10
          - type: cosine_recall@1
            value: 0.20673076923076922
            name: Cosine Recall@1
          - type: cosine_recall@3
            value: 0.4855769230769231
            name: Cosine Recall@3
          - type: cosine_recall@5
            value: 0.6730769230769231
            name: Cosine Recall@5
          - type: cosine_recall@10
            value: 0.7908653846153846
            name: Cosine Recall@10
          - type: cosine_ndcg@10
            value: 0.48188411689532745
            name: Cosine Ndcg@10
          - type: cosine_mrr@10
            value: 0.3839848519536019
            name: Cosine Mrr@10
          - type: cosine_map@100
            value: 0.3897833313631923
            name: Cosine Map@100
      - task:
          type: information-retrieval
          name: Information Retrieval
        dataset:
          name: dim 512
          type: dim_512
        metrics:
          - type: cosine_accuracy@1
            value: 0.19471153846153846
            name: Cosine Accuracy@1
          - type: cosine_accuracy@3
            value: 0.47596153846153844
            name: Cosine Accuracy@3
          - type: cosine_accuracy@5
            value: 0.6586538461538461
            name: Cosine Accuracy@5
          - type: cosine_accuracy@10
            value: 0.7716346153846154
            name: Cosine Accuracy@10
          - type: cosine_precision@1
            value: 0.19471153846153846
            name: Cosine Precision@1
          - type: cosine_precision@3
            value: 0.15865384615384615
            name: Cosine Precision@3
          - type: cosine_precision@5
            value: 0.13173076923076923
            name: Cosine Precision@5
          - type: cosine_precision@10
            value: 0.07716346153846153
            name: Cosine Precision@10
          - type: cosine_recall@1
            value: 0.19471153846153846
            name: Cosine Recall@1
          - type: cosine_recall@3
            value: 0.47596153846153844
            name: Cosine Recall@3
          - type: cosine_recall@5
            value: 0.6586538461538461
            name: Cosine Recall@5
          - type: cosine_recall@10
            value: 0.7716346153846154
            name: Cosine Recall@10
          - type: cosine_ndcg@10
            value: 0.4699784661922609
            name: Cosine Ndcg@10
          - type: cosine_mrr@10
            value: 0.3740689865689866
            name: Cosine Mrr@10
          - type: cosine_map@100
            value: 0.3807931969694512
            name: Cosine Map@100
      - task:
          type: information-retrieval
          name: Information Retrieval
        dataset:
          name: dim 256
          type: dim_256
        metrics:
          - type: cosine_accuracy@1
            value: 0.19471153846153846
            name: Cosine Accuracy@1
          - type: cosine_accuracy@3
            value: 0.4639423076923077
            name: Cosine Accuracy@3
          - type: cosine_accuracy@5
            value: 0.6466346153846154
            name: Cosine Accuracy@5
          - type: cosine_accuracy@10
            value: 0.7307692307692307
            name: Cosine Accuracy@10
          - type: cosine_precision@1
            value: 0.19471153846153846
            name: Cosine Precision@1
          - type: cosine_precision@3
            value: 0.15464743589743588
            name: Cosine Precision@3
          - type: cosine_precision@5
            value: 0.12932692307692306
            name: Cosine Precision@5
          - type: cosine_precision@10
            value: 0.07307692307692307
            name: Cosine Precision@10
          - type: cosine_recall@1
            value: 0.19471153846153846
            name: Cosine Recall@1
          - type: cosine_recall@3
            value: 0.4639423076923077
            name: Cosine Recall@3
          - type: cosine_recall@5
            value: 0.6466346153846154
            name: Cosine Recall@5
          - type: cosine_recall@10
            value: 0.7307692307692307
            name: Cosine Recall@10
          - type: cosine_ndcg@10
            value: 0.4534215890186354
            name: Cosine Ndcg@10
          - type: cosine_mrr@10
            value: 0.36472355769230763
            name: Cosine Mrr@10
          - type: cosine_map@100
            value: 0.3730539351737456
            name: Cosine Map@100
      - task:
          type: information-retrieval
          name: Information Retrieval
        dataset:
          name: dim 128
          type: dim_128
        metrics:
          - type: cosine_accuracy@1
            value: 0.19471153846153846
            name: Cosine Accuracy@1
          - type: cosine_accuracy@3
            value: 0.42788461538461536
            name: Cosine Accuracy@3
          - type: cosine_accuracy@5
            value: 0.5721153846153846
            name: Cosine Accuracy@5
          - type: cosine_accuracy@10
            value: 0.6899038461538461
            name: Cosine Accuracy@10
          - type: cosine_precision@1
            value: 0.19471153846153846
            name: Cosine Precision@1
          - type: cosine_precision@3
            value: 0.14262820512820512
            name: Cosine Precision@3
          - type: cosine_precision@5
            value: 0.1144230769230769
            name: Cosine Precision@5
          - type: cosine_precision@10
            value: 0.0689903846153846
            name: Cosine Precision@10
          - type: cosine_recall@1
            value: 0.19471153846153846
            name: Cosine Recall@1
          - type: cosine_recall@3
            value: 0.42788461538461536
            name: Cosine Recall@3
          - type: cosine_recall@5
            value: 0.5721153846153846
            name: Cosine Recall@5
          - type: cosine_recall@10
            value: 0.6899038461538461
            name: Cosine Recall@10
          - type: cosine_ndcg@10
            value: 0.42667299025011857
            name: Cosine Ndcg@10
          - type: cosine_mrr@10
            value: 0.3438606532356531
            name: Cosine Mrr@10
          - type: cosine_map@100
            value: 0.3517227578608955
            name: Cosine Map@100
      - task:
          type: information-retrieval
          name: Information Retrieval
        dataset:
          name: dim 64
          type: dim_64
        metrics:
          - type: cosine_accuracy@1
            value: 0.1778846153846154
            name: Cosine Accuracy@1
          - type: cosine_accuracy@3
            value: 0.3701923076923077
            name: Cosine Accuracy@3
          - type: cosine_accuracy@5
            value: 0.45913461538461536
            name: Cosine Accuracy@5
          - type: cosine_accuracy@10
            value: 0.5793269230769231
            name: Cosine Accuracy@10
          - type: cosine_precision@1
            value: 0.1778846153846154
            name: Cosine Precision@1
          - type: cosine_precision@3
            value: 0.12339743589743589
            name: Cosine Precision@3
          - type: cosine_precision@5
            value: 0.09182692307692308
            name: Cosine Precision@5
          - type: cosine_precision@10
            value: 0.05793269230769231
            name: Cosine Precision@10
          - type: cosine_recall@1
            value: 0.1778846153846154
            name: Cosine Recall@1
          - type: cosine_recall@3
            value: 0.3701923076923077
            name: Cosine Recall@3
          - type: cosine_recall@5
            value: 0.45913461538461536
            name: Cosine Recall@5
          - type: cosine_recall@10
            value: 0.5793269230769231
            name: Cosine Recall@10
          - type: cosine_ndcg@10
            value: 0.3628128840276353
            name: Cosine Ndcg@10
          - type: cosine_mrr@10
            value: 0.29511885683760675
            name: Cosine Mrr@10
          - type: cosine_map@100
            value: 0.3068359520768717
            name: Cosine Map@100

gte-base-en-v1.5-klej-dyk-v0.1

This is a sentence-transformers model finetuned from Alibaba-NLP/gte-base-en-v1.5. It maps sentences & paragraphs to a 768-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: Alibaba-NLP/gte-base-en-v1.5
Maximum Sequence Length: 8192 tokens
Output Dimensionality: 768 tokens
Similarity Function: Cosine Similarity
Language: en
License: apache-2.0

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': 8192, 'do_lower_case': False}) with Transformer model: NewModel 
  (1): Pooling({'word_embedding_dimension': 768, 'pooling_mode_cls_token': True, 'pooling_mode_mean_tokens': False, '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 = [
    'Sen o zastrzyku Irmy',
    'gdzie Freud spotkał Irmę we śnie o zastrzyku Irmy?',
    'ile razy Srebrna Biblia była przywożona do Szwecji?',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 768]

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

Evaluation

Metrics

Information Retrieval

Dataset: dim_768
Evaluated with InformationRetrievalEvaluator

Metric	Value
cosine_accuracy@1	0.2067
cosine_accuracy@3	0.4856
cosine_accuracy@5	0.6731
cosine_accuracy@10	0.7909
cosine_precision@1	0.2067
cosine_precision@3	0.1619
cosine_precision@5	0.1346
cosine_precision@10	0.0791
cosine_recall@1	0.2067
cosine_recall@3	0.4856
cosine_recall@5	0.6731
cosine_recall@10	0.7909
cosine_ndcg@10	0.4819
cosine_mrr@10	0.384
cosine_map@100	0.3898

Information Retrieval

Dataset: dim_512
Evaluated with InformationRetrievalEvaluator

Metric	Value
cosine_accuracy@1	0.1947
cosine_accuracy@3	0.476
cosine_accuracy@5	0.6587
cosine_accuracy@10	0.7716
cosine_precision@1	0.1947
cosine_precision@3	0.1587
cosine_precision@5	0.1317
cosine_precision@10	0.0772
cosine_recall@1	0.1947
cosine_recall@3	0.476
cosine_recall@5	0.6587
cosine_recall@10	0.7716
cosine_ndcg@10	0.47
cosine_mrr@10	0.3741
cosine_map@100	0.3808

Information Retrieval

Dataset: dim_256
Evaluated with InformationRetrievalEvaluator

Metric	Value
cosine_accuracy@1	0.1947
cosine_accuracy@3	0.4639
cosine_accuracy@5	0.6466
cosine_accuracy@10	0.7308
cosine_precision@1	0.1947
cosine_precision@3	0.1546
cosine_precision@5	0.1293
cosine_precision@10	0.0731
cosine_recall@1	0.1947
cosine_recall@3	0.4639
cosine_recall@5	0.6466
cosine_recall@10	0.7308
cosine_ndcg@10	0.4534
cosine_mrr@10	0.3647
cosine_map@100	0.3731

Information Retrieval

Dataset: dim_128
Evaluated with InformationRetrievalEvaluator

Metric	Value
cosine_accuracy@1	0.1947
cosine_accuracy@3	0.4279
cosine_accuracy@5	0.5721
cosine_accuracy@10	0.6899
cosine_precision@1	0.1947
cosine_precision@3	0.1426
cosine_precision@5	0.1144
cosine_precision@10	0.069
cosine_recall@1	0.1947
cosine_recall@3	0.4279
cosine_recall@5	0.5721
cosine_recall@10	0.6899
cosine_ndcg@10	0.4267
cosine_mrr@10	0.3439
cosine_map@100	0.3517

Information Retrieval

Dataset: dim_64
Evaluated with InformationRetrievalEvaluator

Metric	Value
cosine_accuracy@1	0.1779
cosine_accuracy@3	0.3702
cosine_accuracy@5	0.4591
cosine_accuracy@10	0.5793
cosine_precision@1	0.1779
cosine_precision@3	0.1234
cosine_precision@5	0.0918
cosine_precision@10	0.0579
cosine_recall@1	0.1779
cosine_recall@3	0.3702
cosine_recall@5	0.4591
cosine_recall@10	0.5793
cosine_ndcg@10	0.3628
cosine_mrr@10	0.2951
cosine_map@100	0.3068

Training Details

Training Dataset

Unnamed Dataset

Size: 3,738 training samples
Columns: positive and anchor
Approximate statistics based on the first 1000 samples:
positive anchor
type string string
details
min: 7 tokens
mean: 89.43 tokens
max: 507 tokens

min: 9 tokens
mean: 30.98 tokens
max: 76 tokens

	positive	anchor
type	string	string
details	min: 7 tokens mean: 89.43 tokens max: 507 tokens	min: 9 tokens mean: 30.98 tokens max: 76 tokens

Samples:

positive	anchor
`Zespół Blaua (zespół Jabsa, ang. Blau syndrome, BS) – rzadka choroba genetyczna o dziedziczeniu autosomalnym dominującym, charakteryzująca się ziarniniakowym zapaleniem stawów o wczesnym początku, zapaleniem jagodówki (uveitis) i wysypką skórną, a także kamptodaktylią.`	`jakie choroby genetyczne dziedziczą się autosomalnie dominująco?`
`Gorgippia Gorgippia – starożytne miasto bosporańskie nad Morzem Czarnym, którego pozostałości znajdują się obecnie pod współczesną zabudową centralnej części miasta Anapa w Kraju Krasnodarskim w Rosji.`	`gdzie obecnie znajduje się starożytne miasto Gorgippia?`
Ulubionym dystansem Rücker było 400 metrów i to na nim notowała największe indywidualne sukcesy : srebrny medal Mistrzostw Europy juniorów w lekkoatletyce (Saloniki 1991) 6. miejsce w Pucharze Świata w Lekkoatletyce (Hawana 1992) 5. miejsce na Mistrzostwach Europy w Lekkoatletyce (Helsinki 1994) srebro podczas Mistrzostw Świata w Lekkoatletyce (Sewilla 1999) złota medalistka mistrzostw Niemiec Duże sukcesy odnosiła także w sztafecie 4 x 400 metrów : złoto Mistrzostw Europy juniorów w lekkoatletyce (Varaždin 1989) złoty medal Mistrzostw Europy juniorów w lekkoatletyce (Saloniki 1991) brąz na Mistrzostwach Europy w Lekkoatletyce (Helsinki 1994) brązowy medal podczas Igrzysk Olimpijskich (Atlanta 1996) brąz na Halowych Mistrzostwach Świata w Lekkoatletyce (Paryż 1997) złoto Mistrzostw Świata w Lekkoatletyce (Ateny 1997) brązowy medal Mistrzostw Świata w Lekkoatletyce (Sewilla 1999)	`kto zaprojektował medale, które będą wręczane podczas tegorocznych mistrzostw Europy juniorów w lekkoatletyce?`

Loss: MatryoshkaLoss with these parameters:

{
    "loss": "MultipleNegativesRankingLoss",
    "matryoshka_dims": [
        768,
        512,
        256,
        128,
        64
    ],
    "matryoshka_weights": [
        1,
        1,
        1,
        1,
        1
    ],
    "n_dims_per_step": -1
}

Training Hyperparameters

Non-Default Hyperparameters

eval_strategy: epoch
per_device_train_batch_size: 4
per_device_eval_batch_size: 4
gradient_accumulation_steps: 4
learning_rate: 2e-05
num_train_epochs: 5
lr_scheduler_type: cosine
warmup_ratio: 0.1
bf16: True
tf32: True
load_best_model_at_end: True
optim: adamw_torch_fused
batch_sampler: no_duplicates

All Hyperparameters

Click to expand

overwrite_output_dir: False
do_predict: False
eval_strategy: epoch
prediction_loss_only: True
per_device_train_batch_size: 4
per_device_eval_batch_size: 4
per_gpu_train_batch_size: None
per_gpu_eval_batch_size: None
gradient_accumulation_steps: 4
eval_accumulation_steps: None
learning_rate: 2e-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: 5
max_steps: -1
lr_scheduler_type: cosine
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: True
fp16: False
fp16_opt_level: O1
half_precision_backend: auto
bf16_full_eval: False
fp16_full_eval: False
tf32: True
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: True
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_fused
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: False
hub_always_push: False
gradient_checkpointing: False
gradient_checkpointing_kwargs: None
include_inputs_for_metrics: False
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
batch_sampler: no_duplicates
multi_dataset_batch_sampler: proportional

Training Logs

Click to expand

Epoch	Step	Training Loss	dim_128_cosine_map@100	dim_256_cosine_map@100	dim_512_cosine_map@100	dim_64_cosine_map@100	dim_768_cosine_map@100
0.0043	1	3.4442	-	-	-	-	-
0.0086	2	1.3916	-	-	-	-	-
0.0128	3	3.1284	-	-	-	-	-
0.0171	4	2.2049	-	-	-	-	-
0.0214	5	1.1821	-	-	-	-	-
0.0257	6	2.6633	-	-	-	-	-
0.0299	7	1.8173	-	-	-	-	-
0.0342	8	3.8366	-	-	-	-	-
0.0385	9	2.4439	-	-	-	-	-
0.0428	10	1.9733	-	-	-	-	-
0.0471	11	3.7611	-	-	-	-	-
0.0513	12	2.578	-	-	-	-	-
0.0556	13	1.656	-	-	-	-	-
0.0599	14	2.1508	-	-	-	-	-
0.0642	15	1.4962	-	-	-	-	-
0.0684	16	1.5743	-	-	-	-	-
0.0727	17	2.5404	-	-	-	-	-
0.0770	18	1.1436	-	-	-	-	-
0.0813	19	3.1786	-	-	-	-	-
0.0856	20	2.3377	-	-	-	-	-
0.0898	21	1.9693	-	-	-	-	-
0.0941	22	2.3942	-	-	-	-	-
0.0984	23	2.2259	-	-	-	-	-
0.1027	24	3.3127	-	-	-	-	-
0.1070	25	1.3368	-	-	-	-	-
0.1112	26	2.5546	-	-	-	-	-
0.1155	27	1.5828	-	-	-	-	-
0.1198	28	1.908	-	-	-	-	-
0.1241	29	1.9959	-	-	-	-	-
0.1283	30	1.2909	-	-	-	-	-
0.1326	31	1.7274	-	-	-	-	-
0.1369	32	1.9055	-	-	-	-	-
0.1412	33	3.3274	-	-	-	-	-
0.1455	34	2.5554	-	-	-	-	-
0.1497	35	1.7876	-	-	-	-	-
0.1540	36	2.0285	-	-	-	-	-
0.1583	37	3.0761	-	-	-	-	-
0.1626	38	3.4766	-	-	-	-	-
0.1668	39	1.4406	-	-	-	-	-
0.1711	40	1.7384	-	-	-	-	-
0.1754	41	1.8092	-	-	-	-	-
0.1797	42	3.146	-	-	-	-	-
0.1840	43	1.9202	-	-	-	-	-
0.1882	44	2.4776	-	-	-	-	-
0.1925	45	2.273	-	-	-	-	-
0.1968	46	1.2158	-	-	-	-	-
0.2011	47	0.6314	-	-	-	-	-
0.2053	48	1.2217	-	-	-	-	-
0.2096	49	1.7213	-	-	-	-	-
0.2139	50	2.1634	-	-	-	-	-
0.2182	51	1.0438	-	-	-	-	-
0.2225	52	1.4275	-	-	-	-	-
0.2267	53	1.6839	-	-	-	-	-
0.2310	54	1.5435	-	-	-	-	-
0.2353	55	2.3815	-	-	-	-	-
0.2396	56	2.3042	-	-	-	-	-
0.2439	57	2.3085	-	-	-	-	-
0.2481	58	2.0621	-	-	-	-	-
0.2524	59	1.339	-	-	-	-	-
0.2567	60	0.9167	-	-	-	-	-
0.2610	61	0.8112	-	-	-	-	-
0.2652	62	2.2327	-	-	-	-	-
0.2695	63	2.6571	-	-	-	-	-
0.2738	64	1.8199	-	-	-	-	-
0.2781	65	2.6123	-	-	-	-	-
0.2824	66	0.6182	-	-	-	-	-
0.2866	67	1.8278	-	-	-	-	-
0.2909	68	1.6969	-	-	-	-	-
0.2952	69	0.7902	-	-	-	-	-
0.2995	70	2.1857	-	-	-	-	-
0.3037	71	0.8371	-	-	-	-	-
0.3080	72	2.2118	-	-	-	-	-
0.3123	73	0.2464	-	-	-	-	-
0.3166	74	1.5362	-	-	-	-	-
0.3209	75	2.1047	-	-	-	-	-
0.3251	76	1.2654	-	-	-	-	-
0.3294	77	1.5016	-	-	-	-	-
0.3337	78	0.9273	-	-	-	-	-
0.3380	79	0.9228	-	-	-	-	-
0.3422	80	0.8002	-	-	-	-	-
0.3465	81	0.8325	-	-	-	-	-
0.3508	82	1.4914	-	-	-	-	-
0.3551	83	1.5896	-	-	-	-	-
0.3594	84	1.8716	-	-	-	-	-
0.3636	85	1.0927	-	-	-	-	-
0.3679	86	1.1389	-	-	-	-	-
0.3722	87	0.9251	-	-	-	-	-
0.3765	88	1.3966	-	-	-	-	-
0.3807	89	2.2866	-	-	-	-	-
0.3850	90	1.3756	-	-	-	-	-
0.3893	91	0.7271	-	-	-	-	-
0.3936	92	1.7267	-	-	-	-	-
0.3979	93	2.0597	-	-	-	-	-
0.4021	94	1.9522	-	-	-	-	-
0.4064	95	1.0192	-	-	-	-	-
0.4107	96	2.987	-	-	-	-	-
0.4150	97	1.9623	-	-	-	-	-
0.4193	98	2.0779	-	-	-	-	-
0.4235	99	1.6256	-	-	-	-	-
0.4278	100	1.6273	-	-	-	-	-
0.4321	101	2.848	-	-	-	-	-
0.4364	102	1.4129	-	-	-	-	-
0.4406	103	0.7578	-	-	-	-	-
0.4449	104	0.7026	-	-	-	-	-
0.4492	105	1.5958	-	-	-	-	-
0.4535	106	2.5135	-	-	-	-	-
0.4578	107	0.5845	-	-	-	-	-
0.4620	108	1.4398	-	-	-	-	-
0.4663	109	1.0315	-	-	-	-	-
0.4706	110	0.7233	-	-	-	-	-
0.4749	111	0.4793	-	-	-	-	-
0.4791	112	0.52	-	-	-	-	-
0.4834	113	0.4099	-	-	-	-	-
0.4877	114	1.2661	-	-	-	-	-
0.4920	115	1.7636	-	-	-	-	-
0.4963	116	2.0581	-	-	-	-	-
0.5005	117	0.9092	-	-	-	-	-
0.5048	118	1.5175	-	-	-	-	-
0.5091	119	1.7537	-	-	-	-	-
0.5134	120	0.984	-	-	-	-	-
0.5176	121	0.5867	-	-	-	-	-
0.5219	122	0.7082	-	-	-	-	-
0.5262	123	1.1787	-	-	-	-	-
0.5305	124	1.0118	-	-	-	-	-
0.5348	125	2.0169	-	-	-	-	-
0.5390	126	1.2881	-	-	-	-	-
0.5433	127	1.4748	-	-	-	-	-
0.5476	128	1.9601	-	-	-	-	-
0.5519	129	2.7434	-	-	-	-	-
0.5561	130	1.3171	-	-	-	-	-
0.5604	131	1.221	-	-	-	-	-
0.5647	132	1.24	-	-	-	-	-
0.5690	133	1.7489	-	-	-	-	-
0.5733	134	1.5888	-	-	-	-	-
0.5775	135	1.6449	-	-	-	-	-
0.5818	136	2.2163	-	-	-	-	-
0.5861	137	1.3148	-	-	-	-	-
0.5904	138	0.9209	-	-	-	-	-
0.5947	139	1.3826	-	-	-	-	-
0.5989	140	0.7924	-	-	-	-	-
0.6032	141	0.603	-	-	-	-	-
0.6075	142	1.6646	-	-	-	-	-
0.6118	143	1.2747	-	-	-	-	-
0.6160	144	2.4583	-	-	-	-	-
0.6203	145	2.0143	-	-	-	-	-
0.6246	146	1.8152	-	-	-	-	-
0.6289	147	0.6461	-	-	-	-	-
0.6332	148	0.5025	-	-	-	-	-
0.6374	149	0.6427	-	-	-	-	-
0.6417	150	1.6096	-	-	-	-	-
0.6460	151	3.0679	-	-	-	-	-
0.6503	152	2.8778	-	-	-	-	-
0.6545	153	1.2788	-	-	-	-	-
0.6588	154	0.5234	-	-	-	-	-
0.6631	155	1.2211	-	-	-	-	-
0.6674	156	1.5935	-	-	-	-	-
0.6717	157	1.892	-	-	-	-	-
0.6759	158	0.9767	-	-	-	-	-
0.6802	159	1.8692	-	-	-	-	-
0.6845	160	1.9853	-	-	-	-	-
0.6888	161	0.9568	-	-	-	-	-
0.6930	162	0.526	-	-	-	-	-
0.6973	163	0.6527	-	-	-	-	-
0.7016	164	1.2888	-	-	-	-	-
0.7059	165	0.9485	-	-	-	-	-
0.7102	166	2.3512	-	-	-	-	-
0.7144	167	2.5909	-	-	-	-	-
0.7187	168	1.9271	-	-	-	-	-
0.7230	169	1.7218	-	-	-	-	-
0.7273	170	1.6517	-	-	-	-	-
0.7316	171	1.3378	-	-	-	-	-
0.7358	172	1.5502	-	-	-	-	-
0.7401	173	1.7182	-	-	-	-	-
0.7444	174	2.0422	-	-	-	-	-
0.7487	175	2.1827	-	-	-	-	-
0.7529	176	0.917	-	-	-	-	-
0.7572	177	2.4209	-	-	-	-	-
0.7615	178	0.7705	-	-	-	-	-
0.7658	179	0.4089	-	-	-	-	-
0.7701	180	0.7368	-	-	-	-	-
0.7743	181	0.7583	-	-	-	-	-
0.7786	182	1.2686	-	-	-	-	-
0.7829	183	0.9401	-	-	-	-	-
0.7872	184	1.9668	-	-	-	-	-
0.7914	185	1.7905	-	-	-	-	-
0.7957	186	0.4372	-	-	-	-	-
0.8	187	1.3618	-	-	-	-	-
0.8043	188	1.0816	-	-	-	-	-
0.8086	189	0.5696	-	-	-	-	-
0.8128	190	0.7607	-	-	-	-	-
0.8171	191	2.8499	-	-	-	-	-
0.8214	192	2.251	-	-	-	-	-
0.8257	193	2.3819	-	-	-	-	-
0.8299	194	0.4848	-	-	-	-	-
0.8342	195	1.0241	-	-	-	-	-
0.8385	196	0.4664	-	-	-	-	-
0.8428	197	1.0253	-	-	-	-	-
0.8471	198	1.3517	-	-	-	-	-
0.8513	199	1.5231	-	-	-	-	-
0.8556	200	1.9424	-	-	-	-	-
0.8599	201	1.6661	-	-	-	-	-
0.8642	202	0.204	-	-	-	-	-
0.8684	203	1.805	-	-	-	-	-
0.8727	204	1.2863	-	-	-	-	-
0.8770	205	2.3292	-	-	-	-	-
0.8813	206	1.4561	-	-	-	-	-
0.8856	207	0.4618	-	-	-	-	-
0.8898	208	0.9744	-	-	-	-	-
0.8941	209	0.5276	-	-	-	-	-
0.8984	210	0.8812	-	-	-	-	-
0.9027	211	0.6778	-	-	-	-	-
0.9070	212	1.2382	-	-	-	-	-
0.9112	213	0.7281	-	-	-	-	-
0.9155	214	1.4499	-	-	-	-	-
0.9198	215	1.8433	-	-	-	-	-
0.9241	216	0.4683	-	-	-	-	-
0.9283	217	0.7045	-	-	-	-	-
0.9326	218	1.0181	-	-	-	-	-
0.9369	219	1.104	-	-	-	-	-
0.9412	220	0.4282	-	-	-	-	-
0.9455	221	1.8888	-	-	-	-	-
0.9497	222	0.7936	-	-	-	-	-
0.9540	223	2.5346	-	-	-	-	-
0.9583	224	0.8337	-	-	-	-	-
0.9626	225	1.6245	-	-	-	-	-
0.9668	226	0.8955	-	-	-	-	-
0.9711	227	0.9813	-	-	-	-	-
0.9754	228	0.9429	-	-	-	-	-
0.9797	229	1.5297	-	-	-	-	-
0.9840	230	1.0861	-	-	-	-	-
0.9882	231	1.5228	-	-	-	-	-
0.9925	232	0.8545	-	-	-	-	-
0.9968	233	2.3052	0.3541	0.3928	0.3969	0.2990	0.4032
1.0011	234	0.5205	-	-	-	-	-
1.0053	235	1.6719	-	-	-	-	-
1.0096	236	0.5632	-	-	-	-	-
1.0139	237	0.3602	-	-	-	-	-
1.0182	238	0.4581	-	-	-	-	-
1.0225	239	1.7666	-	-	-	-	-
1.0267	240	0.925	-	-	-	-	-
1.0310	241	0.9264	-	-	-	-	-
1.0353	242	1.5405	-	-	-	-	-
1.0396	243	0.5346	-	-	-	-	-
1.0439	244	1.1432	-	-	-	-	-
1.0481	245	2.7575	-	-	-	-	-
1.0524	246	0.6409	-	-	-	-	-
1.0567	247	0.5409	-	-	-	-	-
1.0610	248	0.5996	-	-	-	-	-
1.0652	249	0.6733	-	-	-	-	-
1.0695	250	0.9336	-	-	-	-	-
1.0738	251	1.4003	-	-	-	-	-
1.0781	252	0.544	-	-	-	-	-
1.0824	253	1.871	-	-	-	-	-
1.0866	254	1.8823	-	-	-	-	-
1.0909	255	0.9452	-	-	-	-	-
1.0952	256	0.5241	-	-	-	-	-
1.0995	257	0.5349	-	-	-	-	-
1.1037	258	1.7114	-	-	-	-	-
1.1080	259	0.6899	-	-	-	-	-
1.1123	260	0.657	-	-	-	-	-
1.1166	261	0.5195	-	-	-	-	-
1.1209	262	1.3961	-	-	-	-	-
1.1251	263	0.429	-	-	-	-	-
1.1294	264	0.0763	-	-	-	-	-
1.1337	265	0.7172	-	-	-	-	-
1.1380	266	0.408	-	-	-	-	-
1.1422	267	0.7704	-	-	-	-	-
1.1465	268	0.7025	-	-	-	-	-
1.1508	269	0.4682	-	-	-	-	-
1.1551	270	0.4666	-	-	-	-	-
1.1594	271	1.8544	-	-	-	-	-
1.1636	272	0.5303	-	-	-	-	-
1.1679	273	0.6873	-	-	-	-	-
1.1722	274	0.6294	-	-	-	-	-
1.1765	275	1.7406	-	-	-	-	-
1.1807	276	0.9965	-	-	-	-	-
1.1850	277	0.5852	-	-	-	-	-
1.1893	278	0.7836	-	-	-	-	-
1.1936	279	0.5689	-	-	-	-	-
1.1979	280	0.3104	-	-	-	-	-
1.2021	281	0.1838	-	-	-	-	-
1.2064	282	1.2004	-	-	-	-	-
1.2107	283	0.2965	-	-	-	-	-
1.2150	284	0.8235	-	-	-	-	-
1.2193	285	0.4341	-	-	-	-	-
1.2235	286	0.8613	-	-	-	-	-
1.2278	287	0.2466	-	-	-	-	-
1.2321	288	0.4417	-	-	-	-	-
1.2364	289	0.3849	-	-	-	-	-
1.2406	290	1.0044	-	-	-	-	-
1.2449	291	0.4567	-	-	-	-	-
1.2492	292	0.7786	-	-	-	-	-
1.2535	293	0.1726	-	-	-	-	-
1.2578	294	0.6764	-	-	-	-	-
1.2620	295	0.5581	-	-	-	-	-
1.2663	296	0.3714	-	-	-	-	-
1.2706	297	0.4684	-	-	-	-	-
1.2749	298	1.197	-	-	-	-	-
1.2791	299	0.3273	-	-	-	-	-
1.2834	300	0.1804	-	-	-	-	-
1.2877	301	0.5446	-	-	-	-	-
1.2920	302	0.978	-	-	-	-	-
1.2963	303	0.1825	-	-	-	-	-
1.3005	304	0.8737	-	-	-	-	-
1.3048	305	0.1771	-	-	-	-	-
1.3091	306	0.1146	-	-	-	-	-
1.3134	307	0.2057	-	-	-	-	-
1.3176	308	0.7019	-	-	-	-	-
1.3219	309	0.4566	-	-	-	-	-
1.3262	310	0.5807	-	-	-	-	-
1.3305	311	0.299	-	-	-	-	-
1.3348	312	0.5087	-	-	-	-	-
1.3390	313	0.4208	-	-	-	-	-
1.3433	314	0.1847	-	-	-	-	-
1.3476	315	0.5001	-	-	-	-	-
1.3519	316	0.1688	-	-	-	-	-
1.3561	317	0.2255	-	-	-	-	-
1.3604	318	0.4908	-	-	-	-	-
1.3647	319	0.1893	-	-	-	-	-
1.3690	320	0.2928	-	-	-	-	-
1.3733	321	0.1817	-	-	-	-	-
1.3775	322	0.6634	-	-	-	-	-
1.3818	323	0.9223	-	-	-	-	-
1.3861	324	0.2463	-	-	-	-	-
1.3904	325	0.3846	-	-	-	-	-
1.3947	326	0.789	-	-	-	-	-
1.3989	327	0.6919	-	-	-	-	-
1.4032	328	0.3168	-	-	-	-	-
1.4075	329	0.4332	-	-	-	-	-
1.4118	330	0.9224	-	-	-	-	-
1.4160	331	0.2678	-	-	-	-	-
1.4203	332	0.2826	-	-	-	-	-
1.4246	333	0.1273	-	-	-	-	-
1.4289	334	0.3071	-	-	-	-	-
1.4332	335	0.3195	-	-	-	-	-
1.4374	336	0.3031	-	-	-	-	-
1.4417	337	0.2312	-	-	-	-	-
1.4460	338	0.0635	-	-	-	-	-
1.4503	339	1.1888	-	-	-	-	-
1.4545	340	0.3506	-	-	-	-	-
1.4588	341	0.0363	-	-	-	-	-
1.4631	342	0.2748	-	-	-	-	-
1.4674	343	0.1862	-	-	-	-	-
1.4717	344	0.1419	-	-	-	-	-
1.4759	345	0.2381	-	-	-	-	-
1.4802	346	0.0541	-	-	-	-	-
1.4845	347	0.1185	-	-	-	-	-
1.4888	348	0.4528	-	-	-	-	-
1.4930	349	0.4922	-	-	-	-	-
1.4973	350	0.1744	-	-	-	-	-
1.5016	351	0.241	-	-	-	-	-
1.5059	352	0.1481	-	-	-	-	-
1.5102	353	0.3377	-	-	-	-	-
1.5144	354	0.2208	-	-	-	-	-
1.5187	355	0.054	-	-	-	-	-
1.5230	356	0.1506	-	-	-	-	-
1.5273	357	0.0794	-	-	-	-	-
1.5316	358	0.1631	-	-	-	-	-
1.5358	359	0.1571	-	-	-	-	-
1.5401	360	0.2831	-	-	-	-	-
1.5444	361	0.3486	-	-	-	-	-
1.5487	362	0.6273	-	-	-	-	-
1.5529	363	1.0274	-	-	-	-	-
1.5572	364	0.269	-	-	-	-	-
1.5615	365	0.1897	-	-	-	-	-
1.5658	366	0.1987	-	-	-	-	-
1.5701	367	0.1943	-	-	-	-	-
1.5743	368	0.4424	-	-	-	-	-
1.5786	369	0.0848	-	-	-	-	-
1.5829	370	0.3504	-	-	-	-	-
1.5872	371	0.1759	-	-	-	-	-
1.5914	372	0.1168	-	-	-	-	-
1.5957	373	0.0824	-	-	-	-	-
1.6	374	0.2637	-	-	-	-	-
1.6043	375	0.2454	-	-	-	-	-
1.6086	376	0.1974	-	-	-	-	-
1.6128	377	0.5961	-	-	-	-	-
1.6171	378	1.0758	-	-	-	-	-
1.6214	379	0.6134	-	-	-	-	-
1.6257	380	0.3244	-	-	-	-	-
1.6299	381	0.0201	-	-	-	-	-
1.6342	382	0.1052	-	-	-	-	-
1.6385	383	0.2025	-	-	-	-	-
1.6428	384	0.9475	-	-	-	-	-
1.6471	385	1.3788	-	-	-	-	-
1.6513	386	0.4879	-	-	-	-	-
1.6556	387	0.226	-	-	-	-	-
1.6599	388	0.0576	-	-	-	-	-
1.6642	389	0.4956	-	-	-	-	-
1.6684	390	0.3145	-	-	-	-	-
1.6727	391	0.5387	-	-	-	-	-
1.6770	392	0.5391	-	-	-	-	-
1.6813	393	0.6977	-	-	-	-	-
1.6856	394	0.4331	-	-	-	-	-
1.6898	395	0.6582	-	-	-	-	-
1.6941	396	0.5774	-	-	-	-	-
1.6984	397	0.1363	-	-	-	-	-
1.7027	398	0.1877	-	-	-	-	-
1.7070	399	0.3772	-	-	-	-	-
1.7112	400	0.6645	-	-	-	-	-
1.7155	401	0.8067	-	-	-	-	-
1.7198	402	0.1889	-	-	-	-	-
1.7241	403	0.3212	-	-	-	-	-
1.7283	404	0.6867	-	-	-	-	-
1.7326	405	0.228	-	-	-	-	-
1.7369	406	0.4952	-	-	-	-	-
1.7412	407	0.5718	-	-	-	-	-
1.7455	408	0.2607	-	-	-	-	-
1.7497	409	0.3326	-	-	-	-	-
1.7540	410	0.5813	-	-	-	-	-
1.7583	411	0.8952	-	-	-	-	-
1.7626	412	0.0735	-	-	-	-	-
1.7668	413	0.1031	-	-	-	-	-
1.7711	414	0.0321	-	-	-	-	-
1.7754	415	0.0909	-	-	-	-	-
1.7797	416	0.4591	-	-	-	-	-
1.7840	417	0.2188	-	-	-	-	-
1.7882	418	0.1857	-	-	-	-	-
1.7925	419	0.4137	-	-	-	-	-
1.7968	420	0.0631	-	-	-	-	-
1.8011	421	0.3535	-	-	-	-	-
1.8053	422	0.467	-	-	-	-	-
1.8096	423	0.0427	-	-	-	-	-
1.8139	424	0.7846	-	-	-	-	-
1.8182	425	0.8365	-	-	-	-	-
1.8225	426	0.1746	-	-	-	-	-
1.8267	427	0.3084	-	-	-	-	-
1.8310	428	0.0457	-	-	-	-	-
1.8353	429	0.108	-	-	-	-	-
1.8396	430	0.5707	-	-	-	-	-
1.8439	431	0.2809	-	-	-	-	-
1.8481	432	0.162	-	-	-	-	-
1.8524	433	0.3929	-	-	-	-	-
1.8567	434	0.2679	-	-	-	-	-
1.8610	435	0.4651	-	-	-	-	-
1.8652	436	0.3847	-	-	-	-	-
1.8695	437	0.3955	-	-	-	-	-
1.8738	438	0.2116	-	-	-	-	-
1.8781	439	0.7634	-	-	-	-	-
1.8824	440	0.1442	-	-	-	-	-
1.8866	441	0.0805	-	-	-	-	-
1.8909	442	0.0605	-	-	-	-	-
1.8952	443	0.1937	-	-	-	-	-
1.8995	444	0.1044	-	-	-	-	-
1.9037	445	0.5122	-	-	-	-	-
1.9080	446	0.1195	-	-	-	-	-
1.9123	447	0.1904	-	-	-	-	-
1.9166	448	0.2764	-	-	-	-	-
1.9209	449	0.5287	-	-	-	-	-
1.9251	450	0.1051	-	-	-	-	-
1.9294	451	0.1825	-	-	-	-	-
1.9337	452	0.0838	-	-	-	-	-
1.9380	453	0.0739	-	-	-	-	-
1.9422	454	0.0988	-	-	-	-	-
1.9465	455	0.2542	-	-	-	-	-
1.9508	456	0.1043	-	-	-	-	-
1.9551	457	0.4259	-	-	-	-	-
1.9594	458	0.1923	-	-	-	-	-
1.9636	459	0.2651	-	-	-	-	-
1.9679	460	0.0533	-	-	-	-	-
1.9722	461	0.2306	-	-	-	-	-
1.9765	462	0.168	-	-	-	-	-
1.9807	463	0.3181	-	-	-	-	-
1.9850	464	0.042	-	-	-	-	-
1.9893	465	0.0833	-	-	-	-	-
1.9936	466	0.2425	-	-	-	-	-
1.9979	467	0.7451	0.3624	0.3819	0.3987	0.3061	0.3968
2.0021	468	0.1784	-	-	-	-	-
2.0064	469	0.2073	-	-	-	-	-
2.0107	470	0.211	-	-	-	-	-
2.0150	471	0.0456	-	-	-	-	-
2.0193	472	0.1354	-	-	-	-	-
2.0235	473	0.1245	-	-	-	-	-
2.0278	474	0.0861	-	-	-	-	-
2.0321	475	0.0397	-	-	-	-	-
2.0364	476	0.0925	-	-	-	-	-
2.0406	477	0.0652	-	-	-	-	-
2.0449	478	0.4905	-	-	-	-	-
2.0492	479	0.1338	-	-	-	-	-
2.0535	480	0.0463	-	-	-	-	-
2.0578	481	0.1399	-	-	-	-	-
2.0620	482	0.0192	-	-	-	-	-
2.0663	483	0.1343	-	-	-	-	-
2.0706	484	0.1027	-	-	-	-	-
2.0749	485	0.1746	-	-	-	-	-
2.0791	486	0.584	-	-	-	-	-
2.0834	487	0.2704	-	-	-	-	-
2.0877	488	0.3391	-	-	-	-	-
2.0920	489	0.0892	-	-	-	-	-
2.0963	490	0.1273	-	-	-	-	-
2.1005	491	0.0644	-	-	-	-	-
2.1048	492	0.2457	-	-	-	-	-
2.1091	493	0.147	-	-	-	-	-
2.1134	494	0.2746	-	-	-	-	-
2.1176	495	0.1425	-	-	-	-	-
2.1219	496	0.198	-	-	-	-	-
2.1262	497	0.1079	-	-	-	-	-
2.1305	498	0.0583	-	-	-	-	-
2.1348	499	0.0646	-	-	-	-	-
2.1390	500	0.1751	-	-	-	-	-
2.1433	501	0.2996	-	-	-	-	-
2.1476	502	0.1059	-	-	-	-	-
2.1519	503	0.162	-	-	-	-	-
2.1561	504	0.1426	-	-	-	-	-
2.1604	505	0.4076	-	-	-	-	-
2.1647	506	0.0968	-	-	-	-	-
2.1690	507	0.0867	-	-	-	-	-
2.1733	508	0.0713	-	-	-	-	-
2.1775	509	0.2186	-	-	-	-	-
2.1818	510	0.099	-	-	-	-	-
2.1861	511	0.1216	-	-	-	-	-
2.1904	512	0.3812	-	-	-	-	-
2.1947	513	0.1481	-	-	-	-	-
2.1989	514	0.1637	-	-	-	-	-
2.2032	515	0.1068	-	-	-	-	-
2.2075	516	0.1002	-	-	-	-	-
2.2118	517	0.2612	-	-	-	-	-
2.2160	518	0.1599	-	-	-	-	-
2.2203	519	0.0513	-	-	-	-	-
2.2246	520	0.1409	-	-	-	-	-
2.2289	521	0.0171	-	-	-	-	-
2.2332	522	0.059	-	-	-	-	-
2.2374	523	0.2391	-	-	-	-	-
2.2417	524	0.2119	-	-	-	-	-
2.2460	525	0.1562	-	-	-	-	-
2.2503	526	0.3576	-	-	-	-	-
2.2545	527	0.3094	-	-	-	-	-
2.2588	528	0.0472	-	-	-	-	-
2.2631	529	0.1259	-	-	-	-	-
2.2674	530	0.0282	-	-	-	-	-
2.2717	531	0.5926	-	-	-	-	-
2.2759	532	0.1211	-	-	-	-	-
2.2802	533	0.0334	-	-	-	-	-
2.2845	534	0.0233	-	-	-	-	-
2.2888	535	0.0937	-	-	-	-	-
2.2930	536	0.0868	-	-	-	-	-
2.2973	537	0.0235	-	-	-	-	-
2.3016	538	0.1052	-	-	-	-	-
2.3059	539	0.0276	-	-	-	-	-
2.3102	540	0.0682	-	-	-	-	-
2.3144	541	0.0945	-	-	-	-	-
2.3187	542	0.0401	-	-	-	-	-
2.3230	543	0.0883	-	-	-	-	-
2.3273	544	0.0358	-	-	-	-	-
2.3316	545	0.0498	-	-	-	-	-
2.3358	546	0.0238	-	-	-	-	-
2.3401	547	0.2935	-	-	-	-	-
2.3444	548	0.0459	-	-	-	-	-
2.3487	549	0.0473	-	-	-	-	-
2.3529	550	0.1763	-	-	-	-	-
2.3572	551	0.125	-	-	-	-	-
2.3615	552	0.1579	-	-	-	-	-
2.3658	553	0.0526	-	-	-	-	-
2.3701	554	0.0522	-	-	-	-	-
2.3743	555	0.2429	-	-	-	-	-
2.3786	556	0.097	-	-	-	-	-
2.3829	557	0.1971	-	-	-	-	-
2.3872	558	0.0722	-	-	-	-	-
2.3914	559	0.3371	-	-	-	-	-
2.3957	560	0.4065	-	-	-	-	-
2.4	561	0.8116	-	-	-	-	-
2.4043	562	0.0576	-	-	-	-	-
2.4086	563	0.1228	-	-	-	-	-
2.4128	564	0.3299	-	-	-	-	-
2.4171	565	0.3528	-	-	-	-	-
2.4214	566	0.0664	-	-	-	-	-
2.4257	567	0.0782	-	-	-	-	-
2.4299	568	0.0353	-	-	-	-	-
2.4342	569	0.0786	-	-	-	-	-
2.4385	570	0.179	-	-	-	-	-
2.4428	571	0.0167	-	-	-	-	-
2.4471	572	0.0309	-	-	-	-	-
2.4513	573	0.2699	-	-	-	-	-
2.4556	574	0.0223	-	-	-	-	-
2.4599	575	0.0062	-	-	-	-	-
2.4642	576	0.0825	-	-	-	-	-
2.4684	577	0.1334	-	-	-	-	-
2.4727	578	0.0161	-	-	-	-	-
2.4770	579	0.0136	-	-	-	-	-
2.4813	580	0.0477	-	-	-	-	-
2.4856	581	0.0869	-	-	-	-	-
2.4898	582	0.0569	-	-	-	-	-
2.4941	583	0.1039	-	-	-	-	-
2.4984	584	0.0891	-	-	-	-	-
2.5027	585	0.0251	-	-	-	-	-
2.5070	586	0.0532	-	-	-	-	-
2.5112	587	0.0665	-	-	-	-	-
2.5155	588	0.0361	-	-	-	-	-
2.5198	589	0.0126	-	-	-	-	-
2.5241	590	0.0614	-	-	-	-	-
2.5283	591	0.0584	-	-	-	-	-
2.5326	592	0.0137	-	-	-	-	-
2.5369	593	0.1374	-	-	-	-	-
2.5412	594	0.0723	-	-	-	-	-
2.5455	595	0.0739	-	-	-	-	-
2.5497	596	0.388	-	-	-	-	-
2.5540	597	0.201	-	-	-	-	-
2.5583	598	0.0377	-	-	-	-	-
2.5626	599	0.0653	-	-	-	-	-
2.5668	600	0.0748	-	-	-	-	-
2.5711	601	0.0246	-	-	-	-	-
2.5754	602	0.0277	-	-	-	-	-
2.5797	603	0.0216	-	-	-	-	-
2.5840	604	0.0996	-	-	-	-	-
2.5882	605	0.1079	-	-	-	-	-
2.5925	606	0.0388	-	-	-	-	-
2.5968	607	0.0196	-	-	-	-	-
2.6011	608	0.051	-	-	-	-	-
2.6053	609	0.2019	-	-	-	-	-
2.6096	610	0.0523	-	-	-	-	-
2.6139	611	0.2106	-	-	-	-	-
2.6182	612	0.0803	-	-	-	-	-
2.6225	613	0.1198	-	-	-	-	-
2.6267	614	0.0261	-	-	-	-	-
2.6310	615	0.006	-	-	-	-	-
2.6353	616	0.0124	-	-	-	-	-
2.6396	617	0.0184	-	-	-	-	-
2.6439	618	0.0586	-	-	-	-	-
2.6481	619	0.2706	-	-	-	-	-
2.6524	620	0.1514	-	-	-	-	-
2.6567	621	0.0402	-	-	-	-	-
2.6610	622	0.0213	-	-	-	-	-
2.6652	623	0.0633	-	-	-	-	-
2.6695	624	0.1043	-	-	-	-	-
2.6738	625	0.0199	-	-	-	-	-
2.6781	626	0.1759	-	-	-	-	-
2.6824	627	0.1978	-	-	-	-	-
2.6866	628	0.1043	-	-	-	-	-
2.6909	629	0.1454	-	-	-	-	-
2.6952	630	0.0462	-	-	-	-	-
2.6995	631	0.0308	-	-	-	-	-
2.7037	632	0.0379	-	-	-	-	-
2.7080	633	0.3084	-	-	-	-	-
2.7123	634	0.1094	-	-	-	-	-
2.7166	635	0.1527	-	-	-	-	-
2.7209	636	0.1717	-	-	-	-	-
2.7251	637	0.4347	-	-	-	-	-
2.7294	638	0.128	-	-	-	-	-
2.7337	639	0.0658	-	-	-	-	-
2.7380	640	0.1678	-	-	-	-	-
2.7422	641	0.0508	-	-	-	-	-
2.7465	642	0.0797	-	-	-	-	-
2.7508	643	0.081	-	-	-	-	-
2.7551	644	0.1065	-	-	-	-	-
2.7594	645	0.1165	-	-	-	-	-
2.7636	646	0.0127	-	-	-	-	-
2.7679	647	0.0789	-	-	-	-	-
2.7722	648	0.0042	-	-	-	-	-
2.7765	649	0.014	-	-	-	-	-
2.7807	650	0.0638	-	-	-	-	-
2.7850	651	0.0376	-	-	-	-	-
2.7893	652	0.2348	-	-	-	-	-
2.7936	653	0.0505	-	-	-	-	-
2.7979	654	0.0194	-	-	-	-	-
2.8021	655	0.0507	-	-	-	-	-
2.8064	656	0.0825	-	-	-	-	-
2.8107	657	0.0156	-	-	-	-	-
2.8150	658	0.4371	-	-	-	-	-
2.8193	659	0.2948	-	-	-	-	-
2.8235	660	0.1324	-	-	-	-	-
2.8278	661	0.15	-	-	-	-	-
2.8321	662	0.0283	-	-	-	-	-
2.8364	663	0.0408	-	-	-	-	-
2.8406	664	0.0615	-	-	-	-	-
2.8449	665	0.0191	-	-	-	-	-
2.8492	666	0.0412	-	-	-	-	-
2.8535	667	0.0772	-	-	-	-	-
2.8578	668	0.1798	-	-	-	-	-
2.8620	669	0.1172	-	-	-	-	-
2.8663	670	0.018	-	-	-	-	-
2.8706	671	0.0386	-	-	-	-	-
2.8749	672	0.1195	-	-	-	-	-
2.8791	673	0.0948	-	-	-	-	-
2.8834	674	0.0271	-	-	-	-	-
2.8877	675	0.0237	-	-	-	-	-
2.8920	676	0.0149	-	-	-	-	-
2.8963	677	0.0405	-	-	-	-	-
2.9005	678	0.0126	-	-	-	-	-
2.9048	679	0.0261	-	-	-	-	-
2.9091	680	0.0418	-	-	-	-	-
2.9134	681	0.0742	-	-	-	-	-
2.9176	682	0.0708	-	-	-	-	-
2.9219	683	0.1017	-	-	-	-	-
2.9262	684	0.0161	-	-	-	-	-
2.9305	685	0.0664	-	-	-	-	-
2.9348	686	0.0127	-	-	-	-	-
2.9390	687	0.0371	-	-	-	-	-
2.9433	688	0.0231	-	-	-	-	-
2.9476	689	0.0621	-	-	-	-	-
2.9519	690	0.1051	-	-	-	-	-
2.9561	691	0.4462	-	-	-	-	-
2.9604	692	0.1279	-	-	-	-	-
2.9647	693	0.0166	-	-	-	-	-
2.9690	694	0.0282	-	-	-	-	-
2.9733	695	0.014	-	-	-	-	-
2.9775	696	0.0428	-	-	-	-	-
2.9818	697	0.0319	-	-	-	-	-
2.9861	698	0.0031	-	-	-	-	-
2.9904	699	0.1171	-	-	-	-	-
2.9947	700	0.1301	-	-	-	-	-
2.9989	701	0.085	0.3525	0.3812	0.3888	0.3093	0.3923
3.0032	702	0.16	-	-	-	-	-
3.0075	703	0.0331	-	-	-	-	-
3.0118	704	0.0278	-	-	-	-	-
3.0160	705	0.0283	-	-	-	-	-
3.0203	706	0.0247	-	-	-	-	-
3.0246	707	0.055	-	-	-	-	-
3.0289	708	0.1062	-	-	-	-	-
3.0332	709	0.0207	-	-	-	-	-
3.0374	710	0.0314	-	-	-	-	-
3.0417	711	0.0203	-	-	-	-	-
3.0460	712	0.1106	-	-	-	-	-
3.0503	713	0.0252	-	-	-	-	-
3.0545	714	0.0486	-	-	-	-	-
3.0588	715	0.0173	-	-	-	-	-
3.0631	716	0.0147	-	-	-	-	-
3.0674	717	0.0444	-	-	-	-	-
3.0717	718	0.0718	-	-	-	-	-
3.0759	719	0.0145	-	-	-	-	-
3.0802	720	0.2057	-	-	-	-	-
3.0845	721	0.0386	-	-	-	-	-
3.0888	722	0.0349	-	-	-	-	-
3.0930	723	0.0248	-	-	-	-	-
3.0973	724	0.0276	-	-	-	-	-
3.1016	725	0.0186	-	-	-	-	-
3.1059	726	0.1112	-	-	-	-	-
3.1102	727	0.0437	-	-	-	-	-
3.1144	728	0.0185	-	-	-	-	-
3.1187	729	0.0896	-	-	-	-	-
3.1230	730	0.2015	-	-	-	-	-
3.1273	731	0.0247	-	-	-	-	-
3.1316	732	0.0096	-	-	-	-	-
3.1358	733	0.0114	-	-	-	-	-
3.1401	734	0.1263	-	-	-	-	-
3.1444	735	0.0718	-	-	-	-	-
3.1487	736	0.0101	-	-	-	-	-
3.1529	737	0.125	-	-	-	-	-
3.1572	738	0.0931	-	-	-	-	-
3.1615	739	0.193	-	-	-	-	-
3.1658	740	0.0121	-	-	-	-	-
3.1701	741	0.0264	-	-	-	-	-
3.1743	742	0.094	-	-	-	-	-
3.1786	743	0.0835	-	-	-	-	-
3.1829	744	0.031	-	-	-	-	-
3.1872	745	0.0297	-	-	-	-	-
3.1914	746	0.0416	-	-	-	-	-
3.1957	747	0.0173	-	-	-	-	-
3.2	748	0.0088	-	-	-	-	-
3.2043	749	0.0235	-	-	-	-	-
3.2086	750	0.0715	-	-	-	-	-
3.2128	751	0.1977	-	-	-	-	-
3.2171	752	0.0217	-	-	-	-	-
3.2214	753	0.01	-	-	-	-	-
3.2257	754	0.016	-	-	-	-	-
3.2299	755	0.0116	-	-	-	-	-
3.2342	756	0.0662	-	-	-	-	-
3.2385	757	0.0783	-	-	-	-	-
3.2428	758	0.0814	-	-	-	-	-
3.2471	759	0.0391	-	-	-	-	-
3.2513	760	0.0329	-	-	-	-	-
3.2556	761	0.0238	-	-	-	-	-
3.2599	762	0.0124	-	-	-	-	-
3.2642	763	0.0529	-	-	-	-	-
3.2684	764	0.0735	-	-	-	-	-
3.2727	765	0.0444	-	-	-	-	-
3.2770	766	0.0489	-	-	-	-	-
3.2813	767	0.0074	-	-	-	-	-
3.2856	768	0.0149	-	-	-	-	-
3.2898	769	0.0147	-	-	-	-	-
3.2941	770	0.0235	-	-	-	-	-
3.2984	771	0.0224	-	-	-	-	-
3.3027	772	0.0231	-	-	-	-	-
3.3070	773	0.0049	-	-	-	-	-
3.3112	774	0.0166	-	-	-	-	-
3.3155	775	0.0259	-	-	-	-	-
3.3198	776	0.0373	-	-	-	-	-
3.3241	777	0.133	-	-	-	-	-
3.3283	778	0.0141	-	-	-	-	-
3.3326	779	0.0145	-	-	-	-	-
3.3369	780	0.0129	-	-	-	-	-
3.3412	781	0.0467	-	-	-	-	-
3.3455	782	0.0113	-	-	-	-	-
3.3497	783	0.0524	-	-	-	-	-
3.3540	784	0.0325	-	-	-	-	-
3.3583	785	0.0774	-	-	-	-	-
3.3626	786	0.148	-	-	-	-	-
3.3668	787	0.0173	-	-	-	-	-
3.3711	788	0.0112	-	-	-	-	-
3.3754	789	0.0314	-	-	-	-	-
3.3797	790	0.0487	-	-	-	-	-
3.3840	791	0.0683	-	-	-	-	-
3.3882	792	0.0063	-	-	-	-	-
3.3925	793	0.0427	-	-	-	-	-
3.3968	794	0.0549	-	-	-	-	-
3.4011	795	0.0452	-	-	-	-	-
3.4053	796	0.0453	-	-	-	-	-
3.4096	797	0.0527	-	-	-	-	-
3.4139	798	0.234	-	-	-	-	-
3.4182	799	0.0263	-	-	-	-	-
3.4225	800	0.022	-	-	-	-	-
3.4267	801	0.0374	-	-	-	-	-
3.4310	802	0.0139	-	-	-	-	-
3.4353	803	0.0134	-	-	-	-	-
3.4396	804	0.0286	-	-	-	-	-
3.4439	805	0.0021	-	-	-	-	-
3.4481	806	0.051	-	-	-	-	-
3.4524	807	0.2649	-	-	-	-	-
3.4567	808	0.0032	-	-	-	-	-
3.4610	809	0.0228	-	-	-	-	-
3.4652	810	0.0163	-	-	-	-	-
3.4695	811	0.0121	-	-	-	-	-
3.4738	812	0.0033	-	-	-	-	-
3.4781	813	0.0067	-	-	-	-	-
3.4824	814	0.0122	-	-	-	-	-
3.4866	815	0.0292	-	-	-	-	-
3.4909	816	0.0488	-	-	-	-	-
3.4952	817	0.025	-	-	-	-	-
3.4995	818	0.014	-	-	-	-	-
3.5037	819	0.0169	-	-	-	-	-
3.5080	820	0.0277	-	-	-	-	-
3.5123	821	0.022	-	-	-	-	-
3.5166	822	0.0187	-	-	-	-	-
3.5209	823	0.0178	-	-	-	-	-
3.5251	824	0.0265	-	-	-	-	-
3.5294	825	0.0063	-	-	-	-	-
3.5337	826	0.0154	-	-	-	-	-
3.5380	827	0.0489	-	-	-	-	-
3.5422	828	0.029	-	-	-	-	-
3.5465	829	0.0496	-	-	-	-	-
3.5508	830	0.2485	-	-	-	-	-
3.5551	831	0.0394	-	-	-	-	-
3.5594	832	0.0294	-	-	-	-	-
3.5636	833	0.0262	-	-	-	-	-
3.5679	834	0.0368	-	-	-	-	-
3.5722	835	0.0163	-	-	-	-	-
3.5765	836	0.0167	-	-	-	-	-
3.5807	837	0.01	-	-	-	-	-
3.5850	838	0.0179	-	-	-	-	-
3.5893	839	0.0493	-	-	-	-	-
3.5936	840	0.0082	-	-	-	-	-
3.5979	841	0.0109	-	-	-	-	-
3.6021	842	0.0155	-	-	-	-	-
3.6064	843	0.0117	-	-	-	-	-
3.6107	844	0.0245	-	-	-	-	-
3.6150	845	0.0306	-	-	-	-	-
3.6193	846	0.0529	-	-	-	-	-
3.6235	847	0.0731	-	-	-	-	-
3.6278	848	0.0427	-	-	-	-	-
3.6321	849	0.0039	-	-	-	-	-
3.6364	850	0.0031	-	-	-	-	-
3.6406	851	0.0151	-	-	-	-	-
3.6449	852	0.107	-	-	-	-	-
3.6492	853	0.1507	-	-	-	-	-
3.6535	854	0.0314	-	-	-	-	-
3.6578	855	0.0204	-	-	-	-	-
3.6620	856	0.0212	-	-	-	-	-
3.6663	857	0.0351	-	-	-	-	-
3.6706	858	0.0388	-	-	-	-	-
3.6749	859	0.0104	-	-	-	-	-
3.6791	860	0.0386	-	-	-	-	-
3.6834	861	0.0914	-	-	-	-	-
3.6877	862	0.0557	-	-	-	-	-
3.6920	863	0.021	-	-	-	-	-
3.6963	864	0.0176	-	-	-	-	-
3.7005	865	0.0064	-	-	-	-	-
3.7048	866	0.0292	-	-	-	-	-
3.7091	867	0.0663	-	-	-	-	-
3.7134	868	0.0363	-	-	-	-	-
3.7176	869	0.0759	-	-	-	-	-
3.7219	870	0.0693	-	-	-	-	-
3.7262	871	0.0369	-	-	-	-	-
3.7305	872	0.0396	-	-	-	-	-
3.7348	873	0.0389	-	-	-	-	-
3.7390	874	0.0331	-	-	-	-	-
3.7433	875	0.0344	-	-	-	-	-
3.7476	876	0.0155	-	-	-	-	-
3.7519	877	0.0213	-	-	-	-	-
3.7561	878	0.0939	-	-	-	-	-
3.7604	879	0.032	-	-	-	-	-
3.7647	880	0.0057	-	-	-	-	-
3.7690	881	0.0096	-	-	-	-	-
3.7733	882	0.0072	-	-	-	-	-
3.7775	883	0.0078	-	-	-	-	-
3.7818	884	0.026	-	-	-	-	-
3.7861	885	0.0838	-	-	-	-	-
3.7904	886	0.0328	-	-	-	-	-
3.7947	887	0.0164	-	-	-	-	-
3.7989	888	0.0101	-	-	-	-	-
3.8032	889	0.0144	-	-	-	-	-
3.8075	890	0.0169	-	-	-	-	-
3.8118	891	0.0752	-	-	-	-	-
3.8160	892	0.1062	-	-	-	-	-
3.8203	893	0.0816	-	-	-	-	-
3.8246	894	0.0385	-	-	-	-	-
3.8289	895	0.0174	-	-	-	-	-
3.8332	896	0.0093	-	-	-	-	-
3.8374	897	0.0117	-	-	-	-	-
3.8417	898	0.0304	-	-	-	-	-
3.8460	899	0.0103	-	-	-	-	-
3.8503	900	0.0251	-	-	-	-	-
3.8545	901	0.0352	-	-	-	-	-
3.8588	902	0.0266	-	-	-	-	-
3.8631	903	0.0085	-	-	-	-	-
3.8674	904	0.0189	-	-	-	-	-
3.8717	905	0.0349	-	-	-	-	-
3.8759	906	0.037	-	-	-	-	-
3.8802	907	0.0215	-	-	-	-	-
3.8845	908	0.0113	-	-	-	-	-
3.8888	909	0.0063	-	-	-	-	-
3.8930	910	0.0102	-	-	-	-	-
3.8973	911	0.0108	-	-	-	-	-
3.9016	912	0.0059	-	-	-	-	-
3.9059	913	0.0373	-	-	-	-	-
3.9102	914	0.0147	-	-	-	-	-
3.9144	915	0.0508	-	-	-	-	-
3.9187	916	0.0297	-	-	-	-	-
3.9230	917	0.043	-	-	-	-	-
3.9273	918	0.0066	-	-	-	-	-
3.9316	919	0.016	-	-	-	-	-
3.9358	920	0.0046	-	-	-	-	-
3.9401	921	0.0123	-	-	-	-	-
3.9444	922	0.0178	-	-	-	-	-
3.9487	923	0.044	-	-	-	-	-
3.9529	924	0.1045	-	-	-	-	-
3.9572	925	0.0353	-	-	-	-	-
3.9615	926	0.0692	-	-	-	-	-
3.9658	927	0.0108	-	-	-	-	-
3.9701	928	0.007	-	-	-	-	-
3.9743	929	0.0146	-	-	-	-	-
3.9786	930	0.0123	-	-	-	-	-
3.9829	931	0.0036	-	-	-	-	-
3.9872	932	0.0057	-	-	-	-	-
3.9914	933	0.0495	-	-	-	-	-
3.9957	934	0.0429	-	-	-	-	-
4.0	935	0.0226	0.3572	0.3768	0.3820	0.3084	0.3844
4.0043	936	0.017	-	-	-	-	-
4.0086	937	0.0392	-	-	-	-	-
4.0128	938	0.0094	-	-	-	-	-
4.0171	939	0.01	-	-	-	-	-
4.0214	940	0.0086	-	-	-	-	-
4.0257	941	0.0226	-	-	-	-	-
4.0299	942	0.0263	-	-	-	-	-
4.0342	943	0.0089	-	-	-	-	-
4.0385	944	0.0059	-	-	-	-	-
4.0428	945	0.027	-	-	-	-	-
4.0471	946	0.052	-	-	-	-	-
4.0513	947	0.0183	-	-	-	-	-
4.0556	948	0.0165	-	-	-	-	-
4.0599	949	0.0036	-	-	-	-	-
4.0642	950	0.0039	-	-	-	-	-
4.0684	951	0.0198	-	-	-	-	-
4.0727	952	0.0259	-	-	-	-	-
4.0770	953	0.0109	-	-	-	-	-
4.0813	954	0.091	-	-	-	-	-
4.0856	955	0.019	-	-	-	-	-
4.0898	956	0.0135	-	-	-	-	-
4.0941	957	0.1946	-	-	-	-	-
4.0984	958	0.0158	-	-	-	-	-
4.1027	959	0.0379	-	-	-	-	-
4.1070	960	0.0071	-	-	-	-	-
4.1112	961	0.0332	-	-	-	-	-
4.1155	962	0.0157	-	-	-	-	-
4.1198	963	0.0261	-	-	-	-	-
4.1241	964	0.0107	-	-	-	-	-
4.1283	965	0.0046	-	-	-	-	-
4.1326	966	0.0078	-	-	-	-	-
4.1369	967	0.0086	-	-	-	-	-
4.1412	968	0.0261	-	-	-	-	-
4.1455	969	0.0271	-	-	-	-	-
4.1497	970	0.009	-	-	-	-	-
4.1540	971	0.0342	-	-	-	-	-
4.1583	972	0.0561	-	-	-	-	-
4.1626	973	0.0559	-	-	-	-	-
4.1668	974	0.024	-	-	-	-	-
4.1711	975	0.0083	-	-	-	-	-
4.1754	976	0.0757	-	-	-	-	-
4.1797	977	0.0353	-	-	-	-	-
4.1840	978	0.0135	-	-	-	-	-
4.1882	979	0.0681	-	-	-	-	-
4.1925	980	0.0132	-	-	-	-	-
4.1968	981	0.0104	-	-	-	-	-
4.2011	982	0.0191	-	-	-	-	-
4.2053	983	0.0684	-	-	-	-	-
4.2096	984	0.0176	-	-	-	-	-
4.2139	985	0.0193	-	-	-	-	-
4.2182	986	0.0105	-	-	-	-	-
4.2225	987	0.0057	-	-	-	-	-
4.2267	988	0.0069	-	-	-	-	-
4.2310	989	0.0237	-	-	-	-	-
4.2353	990	0.0571	-	-	-	-	-
4.2396	991	0.0182	-	-	-	-	-
4.2439	992	0.0093	-	-	-	-	-
4.2481	993	0.0366	-	-	-	-	-
4.2524	994	0.0132	-	-	-	-	-
4.2567	995	0.0192	-	-	-	-	-
4.2610	996	0.0127	-	-	-	-	-
4.2652	997	0.0067	-	-	-	-	-
4.2695	998	0.0228	-	-	-	-	-
4.2738	999	0.0212	-	-	-	-	-
4.2781	1000	0.0061	-	-	-	-	-
4.2824	1001	0.0057	-	-	-	-	-
4.2866	1002	0.0037	-	-	-	-	-
4.2909	1003	0.0108	-	-	-	-	-
4.2952	1004	0.0089	-	-	-	-	-
4.2995	1005	0.013	-	-	-	-	-
4.3037	1006	0.0157	-	-	-	-	-
4.3080	1007	0.0101	-	-	-	-	-
4.3123	1008	0.0032	-	-	-	-	-
4.3166	1009	0.0151	-	-	-	-	-
4.3209	1010	0.0287	-	-	-	-	-
4.3251	1011	0.0192	-	-	-	-	-
4.3294	1012	0.0124	-	-	-	-	-
4.3337	1013	0.0035	-	-	-	-	-
4.3380	1014	0.0091	-	-	-	-	-
4.3422	1015	0.0477	-	-	-	-	-
4.3465	1016	0.0042	-	-	-	-	-
4.3508	1017	0.0133	-	-	-	-	-
4.3551	1018	0.013	-	-	-	-	-
4.3594	1019	0.0302	-	-	-	-	-
4.3636	1020	0.0072	-	-	-	-	-
4.3679	1021	0.011	-	-	-	-	-
4.3722	1022	0.0165	-	-	-	-	-
4.3765	1023	0.0259	-	-	-	-	-
4.3807	1024	0.0101	-	-	-	-	-
4.3850	1025	0.0132	-	-	-	-	-
4.3893	1026	0.0134	-	-	-	-	-
4.3936	1027	0.0365	-	-	-	-	-
4.3979	1028	0.0314	-	-	-	-	-
4.4021	1029	0.02	-	-	-	-	-
4.4064	1030	0.009	-	-	-	-	-
4.4107	1031	0.021	-	-	-	-	-
4.4150	1032	0.031	-	-	-	-	-
4.4193	1033	0.0116	-	-	-	-	-
4.4235	1034	0.0126	-	-	-	-	-
4.4278	1035	0.0171	-	-	-	-	-
4.4321	1036	0.0084	-	-	-	-	-
4.4364	1037	0.0101	-	-	-	-	-
4.4406	1038	0.0116	-	-	-	-	-
4.4449	1039	0.0131	-	-	-	-	-
4.4492	1040	0.0513	-	-	-	-	-
4.4535	1041	0.0487	-	-	-	-	-
4.4578	1042	0.0034	-	-	-	-	-
4.4620	1043	0.0036	-	-	-	-	-
4.4663	1044	0.0173	-	-	-	-	-
4.4706	1045	0.0071	-	-	-	-	-
4.4749	1046	0.0019	-	-	-	-	-
4.4791	1047	0.0171	-	-	-	-	-
4.4834	1048	0.0044	-	-	-	-	-
4.4877	1049	0.0397	-	-	-	-	-
4.4920	1050	0.0827	-	-	-	-	-
4.4963	1051	0.0148	-	-	-	-	-
4.5005	1052	0.0054	-	-	-	-	-
4.5048	1053	0.0141	-	-	-	-	-
4.5091	1054	0.0233	-	-	-	-	-
4.5134	1055	0.0088	-	-	-	-	-
4.5176	1056	0.0034	-	-	-	-	-
4.5219	1057	0.0145	-	-	-	-	-
4.5262	1058	0.0456	-	-	-	-	-
4.5305	1059	0.0051	-	-	-	-	-
4.5348	1060	0.0106	-	-	-	-	-
4.5390	1061	0.0114	-	-	-	-	-
4.5433	1062	0.0105	-	-	-	-	-
4.5476	1063	0.041	-	-	-	-	-
4.5519	1064	0.0776	-	-	-	-	-
4.5561	1065	0.0055	-	-	-	-	-
4.5604	1066	0.0139	-	-	-	-	-
4.5647	1067	0.0246	-	-	-	-	-
4.5690	1068	0.0127	-	-	-	-	-
4.5733	1069	0.0084	-	-	-	-	-
4.5775	1070	0.0157	-	-	-	-	-
4.5818	1071	0.0086	-	-	-	-	-
4.5861	1072	0.0129	-	-	-	-	-
4.5904	1073	0.0111	-	-	-	-	-
4.5947	1074	0.0069	-	-	-	-	-
4.5989	1075	0.006	-	-	-	-	-
4.6032	1076	0.0099	-	-	-	-	-
4.6075	1077	0.0459	-	-	-	-	-
4.6118	1078	0.0332	-	-	-	-	-
4.6160	1079	0.0317	-	-	-	-	-
4.6203	1080	0.0444	-	-	-	-	-
4.6246	1081	0.0416	-	-	-	-	-
4.6289	1082	0.0022	-	-	-	-	-
4.6332	1083	0.0023	-	-	-	-	-
4.6374	1084	0.004	-	-	-	-	-
4.6417	1085	0.0127	-	-	-	-	-
4.6460	1086	0.0664	-	-	-	-	-
4.6503	1087	0.0348	-	-	-	-	-
4.6545	1088	0.0384	-	-	-	-	-
4.6588	1089	0.0067	-	-	-	-	-
4.6631	1090	0.0136	-	-	-	-	-
4.6674	1091	0.0095	-	-	-	-	-
4.6717	1092	0.0178	-	-	-	-	-
4.6759	1093	0.0073	-	-	-	-	-
4.6802	1094	0.0435	-	-	-	-	-
4.6845	1095	0.0158	-	-	-	-	-
4.6888	1096	0.0291	-	-	-	-	-
4.6930	1097	0.0087	-	-	-	-	-
4.6973	1098	0.0152	-	-	-	-	-
4.7016	1099	0.0118	-	-	-	-	-
4.7059	1100	0.0282	-	-	-	-	-
4.7102	1101	0.085	-	-	-	-	-
4.7144	1102	0.0545	-	-	-	-	-
4.7187	1103	0.0135	-	-	-	-	-
4.7230	1104	0.0586	-	-	-	-	-
4.7273	1105	0.0332	-	-	-	-	-
4.7316	1106	0.012	-	-	-	-	-
4.7358	1107	0.0268	-	-	-	-	-
4.7401	1108	0.0208	-	-	-	-	-
4.7444	1109	0.04	-	-	-	-	-
4.7487	1110	0.0072	-	-	-	-	-
4.7529	1111	0.0238	-	-	-	-	-
4.7572	1112	0.0267	-	-	-	-	-
4.7615	1113	0.0091	-	-	-	-	-
4.7658	1114	0.0057	-	-	-	-	-
4.7701	1115	0.0045	-	-	-	-	-
4.7743	1116	0.0064	-	-	-	-	-
4.7786	1117	0.0109	-	-	-	-	-
4.7829	1118	0.0115	-	-	-	-	-
4.7872	1119	0.0308	-	-	-	-	-
4.7914	1120	0.0183	-	-	-	-	-
4.7957	1121	0.0106	-	-	-	-	-
4.8	1122	0.0085	-	-	-	-	-
4.8043	1123	0.0114	-	-	-	-	-
4.8086	1124	0.0088	-	-	-	-	-
4.8128	1125	0.0139	-	-	-	-	-
4.8171	1126	0.0688	-	-	-	-	-
4.8214	1127	0.0323	-	-	-	-	-
4.8257	1128	0.0226	-	-	-	-	-
4.8299	1129	0.0144	-	-	-	-	-
4.8342	1130	0.0043	-	-	-	-	-
4.8385	1131	0.0064	-	-	-	-	-
4.8428	1132	0.0357	-	-	-	-	-
4.8471	1133	0.0212	-	-	-	-	-
4.8513	1134	0.0231	-	-	-	-	-
4.8556	1135	0.0326	-	-	-	-	-
4.8599	1136	0.0153	-	-	-	-	-
4.8642	1137	0.0064	-	-	-	-	-
4.8684	1138	0.0134	-	-	-	-	-
4.8727	1139	0.0242	-	-	-	-	-
4.8770	1140	0.0774	-	-	-	-	-
4.8813	1141	0.023	-	-	-	-	-
4.8856	1142	0.0066	-	-	-	-	-
4.8898	1143	0.0063	-	-	-	-	-
4.8941	1144	0.0054	-	-	-	-	-
4.8984	1145	0.0079	-	-	-	-	-
4.9027	1146	0.0064	-	-	-	-	-
4.9070	1147	0.0125	-	-	-	-	-
4.9112	1148	0.0134	-	-	-	-	-
4.9155	1149	0.0185	-	-	-	-	-
4.9198	1150	0.0152	-	-	-	-	-
4.9241	1151	0.0116	-	-	-	-	-
4.9283	1152	0.0103	-	-	-	-	-
4.9326	1153	0.005	-	-	-	-	-
4.9369	1154	0.0047	-	-	-	-	-
4.9412	1155	0.0227	-	-	-	-	-
4.9455	1156	0.0225	-	-	-	-	-
4.9497	1157	0.0084	-	-	-	-	-
4.9540	1158	0.0819	-	-	-	-	-
4.9583	1159	0.0198	-	-	-	-	-
4.9626	1160	0.0204	-	-	-	-	-
4.9668	1161	0.0043	-	-	-	-	-
4.9711	1162	0.037	-	-	-	-	-
4.9754	1163	0.0128	-	-	-	-	-
4.9797	1164	0.0061	-	-	-	-	-
4.9840	1165	0.0064	0.3517	0.3731	0.3808	0.3068	0.3898

The bold row denotes the saved checkpoint.

Framework Versions

Python: 3.12.2
Sentence Transformers: 3.0.0
Transformers: 4.41.2
PyTorch: 2.3.1
Accelerate: 0.27.2
Datasets: 2.19.1
Tokenizers: 0.19.1

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",
}

MatryoshkaLoss

@misc{kusupati2024matryoshka,
    title={Matryoshka Representation Learning}, 
    author={Aditya Kusupati and Gantavya Bhatt and Aniket Rege and Matthew Wallingford and Aditya Sinha and Vivek Ramanujan and William Howard-Snyder and Kaifeng Chen and Sham Kakade and Prateek Jain and Ali Farhadi},
    year={2024},
    eprint={2205.13147},
    archivePrefix={arXiv},
    primaryClass={cs.LG}
}

MultipleNegativesRankingLoss

@misc{henderson2017efficient,
    title={Efficient Natural Language Response Suggestion for Smart Reply}, 
    author={Matthew Henderson and Rami Al-Rfou and Brian Strope and Yun-hsuan Sung and Laszlo Lukacs and Ruiqi Guo and Sanjiv Kumar and Balint Miklos and Ray Kurzweil},
    year={2017},
    eprint={1705.00652},
    archivePrefix={arXiv},
    primaryClass={cs.CL}
}