metadata

base_model: sentence-transformers/all-MiniLM-L6-v2
library_name: setfit
metrics:
  - accuracy
pipeline_tag: text-classification
tags:
  - setfit
  - sentence-transformers
  - text-classification
  - generated_from_setfit_trainer
widget:
  - text: A plus tard
  - text: what are microlearning modules
  - text: what are the advantages of e-learning over traditional learning
  - text: Salut
  - text: The user experience could be improved.
inference: true
model-index:
  - name: SetFit with sentence-transformers/all-MiniLM-L6-v2
    results:
      - task:
          type: text-classification
          name: Text Classification
        dataset:
          name: Unknown
          type: unknown
          split: test
        metrics:
          - type: accuracy
            value: 0.8571428571428571
            name: Accuracy

SetFit with sentence-transformers/all-MiniLM-L6-v2

This is a SetFit model that can be used for Text Classification. This SetFit model uses sentence-transformers/all-MiniLM-L6-v2 as the Sentence Transformer embedding model. A LogisticRegression instance is used for classification.

The model has been trained using an efficient few-shot learning technique that involves:

Fine-tuning a Sentence Transformer with contrastive learning.
Training a classification head with features from the fine-tuned Sentence Transformer.

Model Details

Model Description

Model Type: SetFit
Sentence Transformer body: sentence-transformers/all-MiniLM-L6-v2
Classification head: a LogisticRegression instance
Maximum Sequence Length: 256 tokens
Number of Classes: 7 classes

Model Sources

Repository: SetFit on GitHub
Paper: Efficient Few-Shot Learning Without Prompts
Blogpost: SetFit: Efficient Few-Shot Learning Without Prompts

Model Labels

Label	Examples
recommendations	'how do I find trending courses' 'what are some popular courses right now' 'what courses are good for remote working skills'
feedback	"I didn't find the answers I was looking for." 'I find the website confusing to navigate.' 'The chatbot gave incorrect information.'
website-information	'how can I access my bookmarks' 'how do I edit my profile' 'where can I find notifications'
general-questions	'can you explain the concept of cloud computing' 'what is the role of peer reviews in online courses' 'can you explain the difference between synchronous and asynchronous learning'
greet-good_bye	'exit' 'au revoir' 'sortir'
greet-who_are_you	'help please' 'how can you help me' 'qui êtes-vous'
greet-hi	'Hello buddy' 'Hi' 'Salut mon ami'

Evaluation

Metrics

Label	Accuracy
all	0.8571

Uses

Direct Use for Inference

First install the SetFit library:

pip install setfit

Then you can load this model and run inference.

from setfit import SetFitModel

# Download from the 🤗 Hub
model = SetFitModel.from_pretrained("HussienAhmad/SFT_GradProject")
# Run inference
preds = model("Salut")

Training Details

Training Set Metrics

Training set	Min	Median	Max
Word count	1	6.1880	11

Label	Training Sample Count
greet-hi	5
greet-who_are_you	7
greet-good_bye	5
general-questions	28
recommendations	27
website-information	28
feedback	17

Training Hyperparameters

batch_size: (4, 4)
num_epochs: (4, 4)
max_steps: -1
sampling_strategy: oversampling
body_learning_rate: (2e-05, 1e-05)
head_learning_rate: 0.01
loss: CosineSimilarityLoss
distance_metric: cosine_distance
margin: 0.25
end_to_end: False
use_amp: False
warmup_proportion: 0.1
seed: 42
eval_max_steps: -1
load_best_model_at_end: True

Training Results

Epoch	Step	Training Loss	Validation Loss
0.0004	1	0.1894	-
0.0036	10	0.1796	-
0.0073	20	0.4046	-
0.0109	30	0.3719	-
0.0145	40	0.3065	-
0.0182	50	0.1893	-
0.0218	60	0.3118	-
0.0254	70	0.2084	-
0.0291	80	0.3561	-
0.0327	90	0.1808	-
0.0364	100	0.2126	-
0.0400	110	0.2121	-
0.0436	120	0.283	-
0.0473	130	0.1004	-
0.0509	140	0.2684	-
0.0545	150	0.139	-
0.0582	160	0.2701	-
0.0618	170	0.2238	-
0.0654	180	0.1276	-
0.0691	190	0.053	-
0.0727	200	0.2071	-
0.0763	210	0.2131	-
0.0800	220	0.1646	-
0.0836	230	0.1556	-
0.0872	240	0.1267	-
0.0909	250	0.1275	-
0.0945	260	0.2127	-
0.0981	270	0.0745	-
0.1018	280	0.0274	-
0.1054	290	0.2631	-
0.1091	300	0.1351	-
0.1127	310	0.0402	-
0.1163	320	0.1021	-
0.1200	330	0.2999	-
0.1236	340	0.0935	-
0.1272	350	0.1313	-
0.1309	360	0.0868	-
0.1345	370	0.144	-
0.1381	380	0.0756	-
0.1418	390	0.0617	-
0.1454	400	0.0186	-
0.1490	410	0.0637	-
0.1527	420	0.0411	-
0.1563	430	0.0657	-
0.1599	440	0.0561	-
0.1636	450	0.096	-
0.1672	460	0.2337	-
0.1708	470	0.0536	-
0.1745	480	0.0631	-
0.1781	490	0.0348	-
0.1818	500	0.0236	-
0.1854	510	0.0126	-
0.1890	520	0.0236	-
0.1927	530	0.0485	-
0.1963	540	0.1579	-
0.1999	550	0.0015	-
0.2036	560	0.0121	-
0.2072	570	0.0131	-
0.2108	580	0.005	-
0.2145	590	0.0083	-
0.2181	600	0.0528	-
0.2217	610	0.0069	-
0.2254	620	0.0953	-
0.2290	630	0.006	-
0.2326	640	0.0095	-
0.2363	650	0.0051	-
0.2399	660	0.0048	-
0.2435	670	0.019	-
0.2472	680	0.0015	-
0.2508	690	0.0037	-
0.2545	700	0.005	-
0.2581	710	0.0064	-
0.2617	720	0.0044	-
0.2654	730	0.0015	-
0.2690	740	0.0024	-
0.2726	750	0.0641	-
0.2763	760	0.0439	-
0.2799	770	0.0026	-
0.2835	780	0.0017	-
0.2872	790	0.0015	-
0.2908	800	0.0206	-
0.2944	810	0.04	-
0.2981	820	0.0021	-
0.3017	830	0.0036	-
0.3053	840	0.0022	-
0.3090	850	0.0036	-
0.3126	860	0.0015	-
0.3162	870	0.0008	-
0.3199	880	0.0316	-
0.3235	890	0.0019	-
0.3272	900	0.0036	-
0.3308	910	0.003	-
0.3344	920	0.0011	-
0.3381	930	0.0015	-
0.3417	940	0.0026	-
0.3453	950	0.0671	-
0.3490	960	0.0079	-
0.3526	970	0.0036	-
0.3562	980	0.002	-
0.3599	990	0.0655	-
0.3635	1000	0.002	-
0.3671	1010	0.001	-
0.3708	1020	0.0008	-
0.3744	1030	0.0007	-
0.3780	1040	0.0012	-
0.3817	1050	0.0162	-
0.3853	1060	0.0014	-
0.3889	1070	0.0007	-
0.3926	1080	0.0013	-
0.3962	1090	0.0022	-
0.3999	1100	0.0114	-
0.4035	1110	0.0011	-
0.4071	1120	0.0521	-
0.4108	1130	0.0015	-
0.4144	1140	0.0006	-
0.4180	1150	0.0005	-
0.4217	1160	0.0015	-
0.4253	1170	0.0928	-
0.4289	1180	0.0005	-
0.4326	1190	0.0011	-
0.4362	1200	0.001	-
0.4398	1210	0.0007	-
0.4435	1220	0.0011	-
0.4471	1230	0.0013	-
0.4507	1240	0.0016	-
0.4544	1250	0.0014	-
0.4580	1260	0.0003	-
0.4617	1270	0.001	-
0.4653	1280	0.0006	-
0.4689	1290	0.0002	-
0.4726	1300	0.0006	-
0.4762	1310	0.0013	-
0.4798	1320	0.0013	-
0.4835	1330	0.0007	-
0.4871	1340	0.102	-
0.4907	1350	0.0037	-
0.4944	1360	0.0003	-
0.4980	1370	0.0525	-
0.5016	1380	0.001	-
0.5053	1390	0.0003	-
0.5089	1400	0.0013	-
0.5125	1410	0.0009	-
0.5162	1420	0.0664	-
0.5198	1430	0.0003	-
0.5234	1440	0.0009	-
0.5271	1450	0.002	-
0.5307	1460	0.0149	-
0.5344	1470	0.0004	-
0.5380	1480	0.0008	-
0.5416	1490	0.0007	-
0.5453	1500	0.0006	-
0.5489	1510	0.0302	-
0.5525	1520	0.0006	-
0.5562	1530	0.0008	-
0.5598	1540	0.0011	-
0.5634	1550	0.0005	-
0.5671	1560	0.001	-
0.5707	1570	0.0006	-
0.5743	1580	0.0008	-
0.5780	1590	0.0004	-
0.5816	1600	0.0004	-
0.5852	1610	0.0006	-
0.5889	1620	0.0003	-
0.5925	1630	0.0007	-
0.5961	1640	0.0003	-
0.5998	1650	0.001	-
0.6034	1660	0.0006	-
0.6071	1670	0.0004	-
0.6107	1680	0.0029	-
0.6143	1690	0.0016	-
0.6180	1700	0.0007	-
0.6216	1710	0.0003	-
0.6252	1720	0.0006	-
0.6289	1730	0.0006	-
0.6325	1740	0.0014	-
0.6361	1750	0.0019	-
0.6398	1760	0.0008	-
0.6434	1770	0.0003	-
0.6470	1780	0.0002	-
0.6507	1790	0.0055	-
0.6543	1800	0.0029	-
0.6579	1810	0.0017	-
0.6616	1820	0.0049	-
0.6652	1830	0.0004	-
0.6688	1840	0.0013	-
0.6725	1850	0.0003	-
0.6761	1860	0.0004	-
0.6798	1870	0.0014	-
0.6834	1880	0.0011	-
0.6870	1890	0.0022	-
0.6907	1900	0.0025	-
0.6943	1910	0.0002	-
0.6979	1920	0.0004	-
0.7016	1930	0.0002	-
0.7052	1940	0.0003	-
0.7088	1950	0.0007	-
0.7125	1960	0.0003	-
0.7161	1970	0.0004	-
0.7197	1980	0.0005	-
0.7234	1990	0.0002	-
0.7270	2000	0.0003	-
0.7306	2010	0.0003	-
0.7343	2020	0.0004	-
0.7379	2030	0.0006	-
0.7415	2040	0.0007	-
0.7452	2050	0.0009	-
0.7488	2060	0.0007	-
0.7525	2070	0.0002	-
0.7561	2080	0.0002	-
0.7597	2090	0.0003	-
0.7634	2100	0.0006	-
0.7670	2110	0.0003	-
0.7706	2120	0.0009	-
0.7743	2130	0.0004	-
0.7779	2140	0.0003	-
0.7815	2150	0.0004	-
0.7852	2160	0.0003	-
0.7888	2170	0.0003	-
0.7924	2180	0.0005	-
0.7961	2190	0.0002	-
0.7997	2200	0.0003	-
0.8033	2210	0.0008	-
0.8070	2220	0.0003	-
0.8106	2230	0.0001	-
0.8142	2240	0.0002	-
0.8179	2250	0.0002	-
0.8215	2260	0.0002	-
0.8252	2270	0.0006	-
0.8288	2280	0.0002	-
0.8324	2290	0.0004	-
0.8361	2300	0.0004	-
0.8397	2310	0.0006	-
0.8433	2320	0.0002	-
0.8470	2330	0.0002	-
0.8506	2340	0.0003	-
0.8542	2350	0.0002	-
0.8579	2360	0.0005	-
0.8615	2370	0.0033	-
0.8651	2380	0.0009	-
0.8688	2390	0.0004	-
0.8724	2400	0.0002	-
0.8760	2410	0.0003	-
0.8797	2420	0.0001	-
0.8833	2430	0.0002	-
0.8870	2440	0.0007	-
0.8906	2450	0.0007	-
0.8942	2460	0.0002	-
0.8979	2470	0.0002	-
0.9015	2480	0.0005	-
0.9051	2490	0.0011	-
0.9088	2500	0.0002	-
0.9124	2510	0.0003	-
0.9160	2520	0.0002	-
0.9197	2530	0.0007	-
0.9233	2540	0.0003	-
0.9269	2550	0.0002	-
0.9306	2560	0.0001	-
0.9342	2570	0.0015	-
0.9378	2580	0.0004	-
0.9415	2590	0.0004	-
0.9451	2600	0.0004	-
0.9487	2610	0.0004	-
0.9524	2620	0.0007	-
0.9560	2630	0.0002	-
0.9597	2640	0.0003	-
0.9633	2650	0.0002	-
0.9669	2660	0.0001	-
0.9706	2670	0.0006	-
0.9742	2680	0.0005	-
0.9778	2690	0.0001	-
0.9815	2700	0.0003	-
0.9851	2710	0.0002	-
0.9887	2720	0.0031	-
0.9924	2730	0.0005	-
0.9960	2740	0.0003	-
0.9996	2750	0.0003	-
1.0	2751	-	0.0498
1.0033	2760	0.0009	-
1.0069	2770	0.0001	-
1.0105	2780	0.0003	-
1.0142	2790	0.0003	-
1.0178	2800	0.0004	-
1.0214	2810	0.0009	-
1.0251	2820	0.0004	-
1.0287	2830	0.0004	-
1.0324	2840	0.0004	-
1.0360	2850	0.0049	-
1.0396	2860	0.0003	-
1.0433	2870	0.0056	-
1.0469	2880	0.0003	-
1.0505	2890	0.0002	-
1.0542	2900	0.0002	-
1.0578	2910	0.0004	-
1.0614	2920	0.0002	-
1.0651	2930	0.0002	-
1.0687	2940	0.0002	-
1.0723	2950	0.0001	-
1.0760	2960	0.0045	-
1.0796	2970	0.0002	-
1.0832	2980	0.0003	-
1.0869	2990	0.0002	-
1.0905	3000	0.0019	-
1.0941	3010	0.0001	-
1.0978	3020	0.0001	-
1.1014	3030	0.0003	-
1.1051	3040	0.0007	-
1.1087	3050	0.0004	-
1.1123	3060	0.0003	-
1.1160	3070	0.0006	-
1.1196	3080	0.0005	-
1.1232	3090	0.0004	-
1.1269	3100	0.0003	-
1.1305	3110	0.0002	-
1.1341	3120	0.0002	-
1.1378	3130	0.0003	-
1.1414	3140	0.0007	-
1.1450	3150	0.0001	-
1.1487	3160	0.0011	-
1.1523	3170	0.0003	-
1.1559	3180	0.0004	-
1.1596	3190	0.0001	-
1.1632	3200	0.0002	-
1.1668	3210	0.0003	-
1.1705	3220	0.0003	-
1.1741	3230	0.0002	-
1.1778	3240	0.0001	-
1.1814	3250	0.0013	-
1.1850	3260	0.0003	-
1.1887	3270	0.0004	-
1.1923	3280	0.0002	-
1.1959	3290	0.0002	-
1.1996	3300	0.0004	-
1.2032	3310	0.0002	-
1.2068	3320	0.0001	-
1.2105	3330	0.0002	-
1.2141	3340	0.0006	-
1.2177	3350	0.0002	-
1.2214	3360	0.0001	-
1.2250	3370	0.0004	-
1.2286	3380	0.0005	-
1.2323	3390	0.0016	-
1.2359	3400	0.0001	-
1.2395	3410	0.0004	-
1.2432	3420	0.0002	-
1.2468	3430	0.0002	-
1.2505	3440	0.0001	-
1.2541	3450	0.0001	-
1.2577	3460	0.0003	-
1.2614	3470	0.0001	-
1.2650	3480	0.001	-
1.2686	3490	0.0003	-
1.2723	3500	0.0002	-
1.2759	3510	0.0001	-
1.2795	3520	0.0004	-
1.2832	3530	0.0001	-
1.2868	3540	0.0001	-
1.2904	3550	0.0002	-
1.2941	3560	0.0003	-
1.2977	3570	0.0014	-
1.3013	3580	0.0005	-
1.3050	3590	0.0003	-
1.3086	3600	0.0002	-
1.3123	3610	0.0002	-
1.3159	3620	0.0001	-
1.3195	3630	0.0002	-
1.3232	3640	0.0002	-
1.3268	3650	0.0001	-
1.3304	3660	0.0246	-
1.3341	3670	0.0002	-
1.3377	3680	0.0002	-
1.3413	3690	0.0005	-
1.3450	3700	0.0108	-
1.3486	3710	0.0001	-
1.3522	3720	0.0003	-
1.3559	3730	0.0002	-
1.3595	3740	0.0001	-
1.3631	3750	0.0001	-
1.3668	3760	0.0003	-
1.3704	3770	0.0004	-
1.3740	3780	0.0001	-
1.3777	3790	0.0009	-
1.3813	3800	0.0002	-
1.3850	3810	0.0002	-
1.3886	3820	0.0001	-
1.3922	3830	0.0001	-
1.3959	3840	0.0003	-
1.3995	3850	0.0003	-
1.4031	3860	0.0005	-
1.4068	3870	0.0002	-
1.4104	3880	0.0001	-
1.4140	3890	0.0003	-
1.4177	3900	0.0001	-
1.4213	3910	0.0002	-
1.4249	3920	0.0003	-
1.4286	3930	0.0002	-
1.4322	3940	0.0002	-
1.4358	3950	0.0002	-
1.4395	3960	0.0001	-
1.4431	3970	0.0001	-
1.4467	3980	0.0001	-
1.4504	3990	0.0002	-
1.4540	4000	0.0001	-
1.4577	4010	0.001	-
1.4613	4020	0.0001	-
1.4649	4030	0.0001	-
1.4686	4040	0.0005	-
1.4722	4050	0.0003	-
1.4758	4060	0.0001	-
1.4795	4070	0.0002	-
1.4831	4080	0.0002	-
1.4867	4090	0.001	-
1.4904	4100	0.0005	-
1.4940	4110	0.0003	-
1.4976	4120	0.0004	-
1.5013	4130	0.0002	-
1.5049	4140	0.0001	-
1.5085	4150	0.0012	-
1.5122	4160	0.0008	-
1.5158	4170	0.0004	-
1.5194	4180	0.001	-
1.5231	4190	0.0001	-
1.5267	4200	0.0005	-
1.5304	4210	0.0001	-
1.5340	4220	0.0001	-
1.5376	4230	0.0002	-
1.5413	4240	0.0002	-
1.5449	4250	0.0002	-
1.5485	4260	0.0002	-
1.5522	4270	0.0001	-
1.5558	4280	0.0002	-
1.5594	4290	0.0001	-
1.5631	4300	0.0001	-
1.5667	4310	0.0002	-
1.5703	4320	0.0001	-
1.5740	4330	0.0001	-
1.5776	4340	0.0001	-
1.5812	4350	0.0001	-
1.5849	4360	0.0001	-
1.5885	4370	0.0002	-
1.5921	4380	0.0001	-
1.5958	4390	0.0004	-
1.5994	4400	0.0005	-
1.6031	4410	0.0003	-
1.6067	4420	0.0002	-
1.6103	4430	0.0001	-
1.6140	4440	0.0002	-
1.6176	4450	0.0002	-
1.6212	4460	0.0001	-
1.6249	4470	0.0003	-
1.6285	4480	0.0003	-
1.6321	4490	0.0001	-
1.6358	4500	0.0001	-
1.6394	4510	0.0002	-
1.6430	4520	0.0002	-
1.6467	4530	0.0003	-
1.6503	4540	0.0001	-
1.6539	4550	0.0001	-
1.6576	4560	0.0002	-
1.6612	4570	0.0003	-
1.6648	4580	0.0002	-
1.6685	4590	0.0002	-
1.6721	4600	0.0002	-
1.6758	4610	0.0002	-
1.6794	4620	0.0002	-
1.6830	4630	0.0002	-
1.6867	4640	0.0001	-
1.6903	4650	0.0001	-
1.6939	4660	0.0001	-
1.6976	4670	0.0002	-
1.7012	4680	0.0001	-
1.7048	4690	0.0001	-
1.7085	4700	0.0002	-
1.7121	4710	0.001	-
1.7157	4720	0.0001	-
1.7194	4730	0.0002	-
1.7230	4740	0.0001	-
1.7266	4750	0.0002	-
1.7303	4760	0.0001	-
1.7339	4770	0.0002	-
1.7375	4780	0.0001	-
1.7412	4790	0.0001	-
1.7448	4800	0.0001	-
1.7485	4810	0.0001	-
1.7521	4820	0.0002	-
1.7557	4830	0.0012	-
1.7594	4840	0.0003	-
1.7630	4850	0.0008	-
1.7666	4860	0.0001	-
1.7703	4870	0.0002	-
1.7739	4880	0.0001	-
1.7775	4890	0.0008	-
1.7812	4900	0.0001	-
1.7848	4910	0.0001	-
1.7884	4920	0.0001	-
1.7921	4930	0.0001	-
1.7957	4940	0.0006	-
1.7993	4950	0.0002	-
1.8030	4960	0.0002	-
1.8066	4970	0.0004	-
1.8103	4980	0.0001	-
1.8139	4990	0.0001	-
1.8175	5000	0.0004	-
1.8212	5010	0.0001	-
1.8248	5020	0.0001	-
1.8284	5030	0.0003	-
1.8321	5040	0.0001	-
1.8357	5050	0.0001	-
1.8393	5060	0.0001	-
1.8430	5070	0.0003	-
1.8466	5080	0.0001	-
1.8502	5090	0.0001	-
1.8539	5100	0.0001	-
1.8575	5110	0.0001	-
1.8611	5120	0.0002	-
1.8648	5130	0.0003	-
1.8684	5140	0.0002	-
1.8720	5150	0.0001	-
1.8757	5160	0.0001	-
1.8793	5170	0.0001	-
1.8830	5180	0.0002	-
1.8866	5190	0.0004	-
1.8902	5200	0.0001	-
1.8939	5210	0.0001	-
1.8975	5220	0.0003	-
1.9011	5230	0.0001	-
1.9048	5240	0.0002	-
1.9084	5250	0.0003	-
1.9120	5260	0.0001	-
1.9157	5270	0.0002	-
1.9193	5280	0.0002	-
1.9229	5290	0.0004	-
1.9266	5300	0.0001	-
1.9302	5310	0.0001	-
1.9338	5320	0.0002	-
1.9375	5330	0.0002	-
1.9411	5340	0.0003	-
1.9447	5350	0.0002	-
1.9484	5360	0.0001	-
1.9520	5370	0.0002	-
1.9557	5380	0.0001	-
1.9593	5390	0.0002	-
1.9629	5400	0.0001	-
1.9666	5410	0.0009	-
1.9702	5420	0.0001	-
1.9738	5430	0.0002	-
1.9775	5440	0.0001	-
1.9811	5450	0.0001	-
1.9847	5460	0.0002	-
1.9884	5470	0.0002	-
1.9920	5480	0.0002	-
1.9956	5490	0.0001	-
1.9993	5500	0.0001	-
2.0	5502	-	0.0628
2.0029	5510	0.0001	-
2.0065	5520	0.0004	-
2.0102	5530	0.0003	-
2.0138	5540	0.0002	-
2.0174	5550	0.0002	-
2.0211	5560	0.0002	-
2.0247	5570	0.0002	-
2.0284	5580	0.0003	-
2.0320	5590	0.0001	-
2.0356	5600	0.0002	-
2.0393	5610	0.0001	-
2.0429	5620	0.0001	-
2.0465	5630	0.001	-
2.0502	5640	0.0001	-
2.0538	5650	0.0001	-
2.0574	5660	0.0003	-
2.0611	5670	0.0001	-
2.0647	5680	0.0001	-
2.0683	5690	0.0002	-
2.0720	5700	0.0004	-
2.0756	5710	0.0001	-
2.0792	5720	0.0001	-
2.0829	5730	0.0001	-
2.0865	5740	0.0001	-
2.0901	5750	0.0019	-
2.0938	5760	0.0001	-
2.0974	5770	0.0003	-
2.1011	5780	0.0002	-
2.1047	5790	0.0001	-
2.1083	5800	0.0001	-
2.1120	5810	0.0001	-
2.1156	5820	0.0006	-
2.1192	5830	0.0001	-
2.1229	5840	0.0001	-
2.1265	5850	0.0001	-
2.1301	5860	0.0	-
2.1338	5870	0.0001	-
2.1374	5880	0.0001	-
2.1410	5890	0.0001	-
2.1447	5900	0.0002	-
2.1483	5910	0.0005	-
2.1519	5920	0.0001	-
2.1556	5930	0.0004	-
2.1592	5940	0.0001	-
2.1628	5950	0.0001	-
2.1665	5960	0.0001	-
2.1701	5970	0.0001	-
2.1738	5980	0.0001	-
2.1774	5990	0.0002	-
2.1810	6000	0.0001	-
2.1847	6010	0.0001	-
2.1883	6020	0.0001	-
2.1919	6030	0.0001	-
2.1956	6040	0.0001	-
2.1992	6050	0.0002	-
2.2028	6060	0.0001	-
2.2065	6070	0.0001	-
2.2101	6080	0.0001	-
2.2137	6090	0.0001	-
2.2174	6100	0.0001	-
2.2210	6110	0.0004	-
2.2246	6120	0.0001	-
2.2283	6130	0.0001	-
2.2319	6140	0.0001	-
2.2356	6150	0.0005	-
2.2392	6160	0.0	-
2.2428	6170	0.0001	-
2.2465	6180	0.0001	-
2.2501	6190	0.0002	-
2.2537	6200	0.0001	-
2.2574	6210	0.0001	-
2.2610	6220	0.0001	-
2.2646	6230	0.0001	-
2.2683	6240	0.0006	-
2.2719	6250	0.0001	-
2.2755	6260	0.0	-
2.2792	6270	0.0003	-
2.2828	6280	0.0001	-
2.2864	6290	0.0002	-
2.2901	6300	0.0001	-
2.2937	6310	0.0004	-
2.2973	6320	0.0001	-
2.3010	6330	0.0002	-
2.3046	6340	0.0002	-
2.3083	6350	0.0004	-
2.3119	6360	0.0001	-
2.3155	6370	0.0004	-
2.3192	6380	0.0001	-
2.3228	6390	0.0001	-
2.3264	6400	0.0002	-
2.3301	6410	0.0001	-
2.3337	6420	0.0001	-
2.3373	6430	0.0001	-
2.3410	6440	0.0002	-
2.3446	6450	0.0003	-
2.3482	6460	0.0001	-
2.3519	6470	0.0001	-
2.3555	6480	0.0001	-
2.3591	6490	0.0001	-
2.3628	6500	0.0002	-
2.3664	6510	0.0001	-
2.3700	6520	0.0001	-
2.3737	6530	0.0005	-
2.3773	6540	0.0001	-
2.3810	6550	0.0001	-
2.3846	6560	0.0002	-
2.3882	6570	0.0001	-
2.3919	6580	0.0002	-
2.3955	6590	0.0001	-
2.3991	6600	0.0001	-
2.4028	6610	0.0003	-
2.4064	6620	0.0001	-
2.4100	6630	0.0004	-
2.4137	6640	0.0001	-
2.4173	6650	0.0001	-
2.4209	6660	0.0001	-
2.4246	6670	0.0001	-
2.4282	6680	0.0001	-
2.4318	6690	0.0002	-
2.4355	6700	0.0001	-
2.4391	6710	0.0001	-
2.4427	6720	0.0005	-
2.4464	6730	0.0001	-
2.4500	6740	0.0001	-
2.4537	6750	0.0001	-
2.4573	6760	0.0005	-
2.4609	6770	0.0001	-
2.4646	6780	0.0001	-
2.4682	6790	0.0002	-
2.4718	6800	0.0001	-
2.4755	6810	0.0001	-
2.4791	6820	0.0	-
2.4827	6830	0.0001	-
2.4864	6840	0.0001	-
2.4900	6850	0.0004	-
2.4936	6860	0.0002	-
2.4973	6870	0.0002	-
2.5009	6880	0.0001	-
2.5045	6890	0.0001	-
2.5082	6900	0.0001	-
2.5118	6910	0.0002	-
2.5154	6920	0.0002	-
2.5191	6930	0.0001	-
2.5227	6940	0.0001	-
2.5264	6950	0.0001	-
2.5300	6960	0.0	-
2.5336	6970	0.0001	-
2.5373	6980	0.0002	-
2.5409	6990	0.0003	-
2.5445	7000	0.0003	-
2.5482	7010	0.0001	-
2.5518	7020	0.0001	-
2.5554	7030	0.0001	-
2.5591	7040	0.0	-
2.5627	7050	0.0001	-
2.5663	7060	0.0001	-
2.5700	7070	0.0004	-
2.5736	7080	0.0001	-
2.5772	7090	0.0002	-
2.5809	7100	0.0001	-
2.5845	7110	0.0001	-
2.5881	7120	0.0	-
2.5918	7130	0.0	-
2.5954	7140	0.0001	-
2.5991	7150	0.0001	-
2.6027	7160	0.0	-
2.6063	7170	0.0002	-
2.6100	7180	0.0001	-
2.6136	7190	0.0001	-
2.6172	7200	0.0001	-
2.6209	7210	0.0001	-
2.6245	7220	0.0003	-
2.6281	7230	0.0001	-
2.6318	7240	0.0002	-
2.6354	7250	0.0003	-
2.6390	7260	0.0001	-
2.6427	7270	0.0001	-
2.6463	7280	0.0006	-
2.6499	7290	0.0001	-
2.6536	7300	0.0005	-
2.6572	7310	0.0	-
2.6609	7320	0.0001	-
2.6645	7330	0.0001	-
2.6681	7340	0.0001	-
2.6718	7350	0.0001	-
2.6754	7360	0.0002	-
2.6790	7370	0.0001	-
2.6827	7380	0.0001	-
2.6863	7390	0.0001	-
2.6899	7400	0.0005	-
2.6936	7410	0.0001	-
2.6972	7420	0.0002	-
2.7008	7430	0.0001	-
2.7045	7440	0.0001	-
2.7081	7450	0.0002	-
2.7117	7460	0.0006	-
2.7154	7470	0.0002	-
2.7190	7480	0.0	-
2.7226	7490	0.0001	-
2.7263	7500	0.0001	-
2.7299	7510	0.0002	-
2.7336	7520	0.0001	-
2.7372	7530	0.0001	-
2.7408	7540	0.0001	-
2.7445	7550	0.0002	-
2.7481	7560	0.0001	-
2.7517	7570	0.0	-
2.7554	7580	0.0001	-
2.7590	7590	0.0001	-
2.7626	7600	0.0	-
2.7663	7610	0.0001	-
2.7699	7620	0.0001	-
2.7735	7630	0.0	-
2.7772	7640	0.0002	-
2.7808	7650	0.0001	-
2.7844	7660	0.0001	-
2.7881	7670	0.0	-
2.7917	7680	0.0001	-
2.7953	7690	0.0001	-
2.7990	7700	0.0	-
2.8026	7710	0.0002	-
2.8063	7720	0.0001	-
2.8099	7730	0.0	-
2.8135	7740	0.0	-
2.8172	7750	0.0001	-
2.8208	7760	0.0001	-
2.8244	7770	0.0	-
2.8281	7780	0.0001	-
2.8317	7790	0.0001	-
2.8353	7800	0.0003	-
2.8390	7810	0.0001	-
2.8426	7820	0.0002	-
2.8462	7830	0.0003	-
2.8499	7840	0.0	-
2.8535	7850	0.0001	-
2.8571	7860	0.0	-
2.8608	7870	0.0	-
2.8644	7880	0.0002	-
2.8680	7890	0.0001	-
2.8717	7900	0.0001	-
2.8753	7910	0.0001	-
2.8790	7920	0.0002	-
2.8826	7930	0.0001	-
2.8862	7940	0.0	-
2.8899	7950	0.0002	-
2.8935	7960	0.0001	-
2.8971	7970	0.0002	-
2.9008	7980	0.0001	-
2.9044	7990	0.0001	-
2.9080	8000	0.0001	-
2.9117	8010	0.0	-
2.9153	8020	0.0001	-
2.9189	8030	0.0001	-
2.9226	8040	0.0001	-
2.9262	8050	0.0001	-
2.9298	8060	0.0001	-
2.9335	8070	0.0001	-
2.9371	8080	0.0001	-
2.9407	8090	0.0001	-
2.9444	8100	0.0001	-
2.9480	8110	0.0001	-
2.9517	8120	0.0003	-
2.9553	8130	0.0001	-
2.9589	8140	0.0001	-
2.9626	8150	0.0001	-
2.9662	8160	0.0005	-
2.9698	8170	0.0005	-
2.9735	8180	0.0001	-
2.9771	8190	0.0001	-
2.9807	8200	0.0002	-
2.9844	8210	0.0001	-
2.9880	8220	0.0001	-
2.9916	8230	0.0001	-
2.9953	8240	0.0001	-
2.9989	8250	0.0001	-
3.0	8253	-	0.0611
3.0025	8260	0.0	-
3.0062	8270	0.0001	-
3.0098	8280	0.0001	-
3.0134	8290	0.0002	-
3.0171	8300	0.0001	-
3.0207	8310	0.0001	-
3.0244	8320	0.0002	-
3.0280	8330	0.0001	-
3.0316	8340	0.0001	-
3.0353	8350	0.0002	-
3.0389	8360	0.0001	-
3.0425	8370	0.0001	-
3.0462	8380	0.0001	-
3.0498	8390	0.0001	-
3.0534	8400	0.0001	-
3.0571	8410	0.0001	-
3.0607	8420	0.0001	-
3.0643	8430	0.0001	-
3.0680	8440	0.0	-
3.0716	8450	0.0001	-
3.0752	8460	0.0001	-
3.0789	8470	0.0003	-
3.0825	8480	0.0002	-
3.0862	8490	0.0001	-
3.0898	8500	0.0003	-
3.0934	8510	0.0001	-
3.0971	8520	0.0001	-
3.1007	8530	0.0001	-
3.1043	8540	0.0001	-
3.1080	8550	0.0001	-
3.1116	8560	0.0001	-
3.1152	8570	0.0001	-
3.1189	8580	0.0001	-
3.1225	8590	0.0001	-
3.1261	8600	0.0001	-
3.1298	8610	0.0001	-
3.1334	8620	0.0001	-
3.1370	8630	0.0001	-
3.1407	8640	0.0	-
3.1443	8650	0.0004	-
3.1479	8660	0.0001	-
3.1516	8670	0.0002	-
3.1552	8680	0.0001	-
3.1589	8690	0.0	-
3.1625	8700	0.0001	-
3.1661	8710	0.0005	-
3.1698	8720	0.0001	-
3.1734	8730	0.0001	-
3.1770	8740	0.0001	-
3.1807	8750	0.0001	-
3.1843	8760	0.0002	-
3.1879	8770	0.0001	-
3.1916	8780	0.0001	-
3.1952	8790	0.0001	-
3.1988	8800	0.0001	-
3.2025	8810	0.0001	-
3.2061	8820	0.0001	-
3.2097	8830	0.0	-
3.2134	8840	0.0	-
3.2170	8850	0.0001	-
3.2206	8860	0.0001	-
3.2243	8870	0.0002	-
3.2279	8880	0.0001	-
3.2316	8890	0.0001	-
3.2352	8900	0.0001	-
3.2388	8910	0.0001	-
3.2425	8920	0.0002	-
3.2461	8930	0.0004	-
3.2497	8940	0.0003	-
3.2534	8950	0.0001	-
3.2570	8960	0.0001	-
3.2606	8970	0.0001	-
3.2643	8980	0.0001	-
3.2679	8990	0.0001	-
3.2715	9000	0.0001	-
3.2752	9010	0.0001	-
3.2788	9020	0.0003	-
3.2824	9030	0.0001	-
3.2861	9040	0.0008	-
3.2897	9050	0.0001	-
3.2933	9060	0.0001	-
3.2970	9070	0.0002	-
3.3006	9080	0.0002	-
3.3043	9090	0.0001	-
3.3079	9100	0.0001	-
3.3115	9110	0.0002	-
3.3152	9120	0.0002	-
3.3188	9130	0.0001	-
3.3224	9140	0.0	-
3.3261	9150	0.0001	-
3.3297	9160	0.0001	-
3.3333	9170	0.0001	-
3.3370	9180	0.0001	-
3.3406	9190	0.0001	-
3.3442	9200	0.0001	-
3.3479	9210	0.0003	-
3.3515	9220	0.0001	-
3.3551	9230	0.0	-
3.3588	9240	0.0001	-
3.3624	9250	0.0001	-
3.3660	9260	0.0	-
3.3697	9270	0.0001	-
3.3733	9280	0.0001	-
3.3770	9290	0.0001	-
3.3806	9300	0.0001	-
3.3842	9310	0.0	-
3.3879	9320	0.0002	-
3.3915	9330	0.0001	-
3.3951	9340	0.0002	-
3.3988	9350	0.0003	-
3.4024	9360	0.0002	-
3.4060	9370	0.0001	-
3.4097	9380	0.0001	-
3.4133	9390	0.0001	-
3.4169	9400	0.0001	-
3.4206	9410	0.0001	-
3.4242	9420	0.0001	-
3.4278	9430	0.0001	-
3.4315	9440	0.0	-
3.4351	9450	0.0001	-
3.4387	9460	0.0001	-
3.4424	9470	0.0001	-
3.4460	9480	0.0001	-
3.4497	9490	0.0001	-
3.4533	9500	0.0001	-
3.4569	9510	0.0001	-
3.4606	9520	0.0001	-
3.4642	9530	0.0002	-
3.4678	9540	0.0001	-
3.4715	9550	0.0001	-
3.4751	9560	0.0001	-
3.4787	9570	0.0001	-
3.4824	9580	0.0	-
3.4860	9590	0.0002	-
3.4896	9600	0.0001	-
3.4933	9610	0.0001	-
3.4969	9620	0.0	-
3.5005	9630	0.0001	-
3.5042	9640	0.0001	-
3.5078	9650	0.0001	-
3.5115	9660	0.0001	-
3.5151	9670	0.0001	-
3.5187	9680	0.0002	-
3.5224	9690	0.0003	-
3.5260	9700	0.0001	-
3.5296	9710	0.0	-
3.5333	9720	0.0002	-
3.5369	9730	0.0003	-
3.5405	9740	0.0001	-
3.5442	9750	0.0001	-
3.5478	9760	0.0001	-
3.5514	9770	0.0001	-
3.5551	9780	0.0001	-
3.5587	9790	0.0001	-
3.5623	9800	0.0001	-
3.5660	9810	0.0002	-
3.5696	9820	0.0001	-
3.5732	9830	0.0	-
3.5769	9840	0.0	-
3.5805	9850	0.0002	-
3.5842	9860	0.0	-
3.5878	9870	0.0001	-
3.5914	9880	0.0001	-
3.5951	9890	0.0001	-
3.5987	9900	0.0001	-
3.6023	9910	0.0001	-
3.6060	9920	0.0002	-
3.6096	9930	0.0001	-
3.6132	9940	0.0	-
3.6169	9950	0.0001	-
3.6205	9960	0.0001	-
3.6241	9970	0.0001	-
3.6278	9980	0.0002	-
3.6314	9990	0.0	-
3.6350	10000	0.0	-
3.6387	10010	0.0001	-
3.6423	10020	0.0003	-
3.6459	10030	0.0001	-
3.6496	10040	0.0001	-
3.6532	10050	0.0	-
3.6569	10060	0.0001	-
3.6605	10070	0.0	-
3.6641	10080	0.0001	-
3.6678	10090	0.0001	-
3.6714	10100	0.0001	-
3.6750	10110	0.0003	-
3.6787	10120	0.0001	-
3.6823	10130	0.0001	-
3.6859	10140	0.0	-
3.6896	10150	0.0001	-
3.6932	10160	0.0001	-
3.6968	10170	0.0001	-
3.7005	10180	0.0001	-
3.7041	10190	0.0	-
3.7077	10200	0.0001	-
3.7114	10210	0.0011	-
3.7150	10220	0.0001	-
3.7186	10230	0.0001	-
3.7223	10240	0.0002	-
3.7259	10250	0.0	-
3.7296	10260	0.0001	-
3.7332	10270	0.0	-
3.7368	10280	0.0001	-
3.7405	10290	0.0001	-
3.7441	10300	0.0	-
3.7477	10310	0.0001	-
3.7514	10320	0.0	-
3.7550	10330	0.0003	-
3.7586	10340	0.0	-
3.7623	10350	0.0003	-
3.7659	10360	0.0	-
3.7695	10370	0.0001	-
3.7732	10380	0.0002	-
3.7768	10390	0.0001	-
3.7804	10400	0.0	-
3.7841	10410	0.0001	-
3.7877	10420	0.0002	-
3.7913	10430	0.0005	-
3.7950	10440	0.0001	-
3.7986	10450	0.0001	-
3.8023	10460	0.0	-
3.8059	10470	0.0002	-
3.8095	10480	0.0001	-
3.8132	10490	0.0006	-
3.8168	10500	0.0001	-
3.8204	10510	0.0001	-
3.8241	10520	0.0004	-
3.8277	10530	0.0001	-
3.8313	10540	0.0	-
3.8350	10550	0.0001	-
3.8386	10560	0.0	-
3.8422	10570	0.0001	-
3.8459	10580	0.0001	-
3.8495	10590	0.0	-
3.8531	10600	0.0001	-
3.8568	10610	0.0001	-
3.8604	10620	0.0001	-
3.8640	10630	0.0001	-
3.8677	10640	0.0001	-
3.8713	10650	0.0001	-
3.8750	10660	0.0001	-
3.8786	10670	0.0001	-
3.8822	10680	0.0	-
3.8859	10690	0.0001	-
3.8895	10700	0.0	-
3.8931	10710	0.0001	-
3.8968	10720	0.0001	-
3.9004	10730	0.0001	-
3.9040	10740	0.0	-
3.9077	10750	0.0001	-
3.9113	10760	0.0	-
3.9149	10770	0.0	-
3.9186	10780	0.0	-
3.9222	10790	0.0001	-
3.9258	10800	0.0001	-
3.9295	10810	0.0003	-
3.9331	10820	0.0001	-
3.9368	10830	0.0005	-
3.9404	10840	0.0001	-
3.9440	10850	0.0001	-
3.9477	10860	0.0	-
3.9513	10870	0.0001	-
3.9549	10880	0.0	-
3.9586	10890	0.0001	-
3.9622	10900	0.0	-
3.9658	10910	0.0	-
3.9695	10920	0.0	-
3.9731	10930	0.0001	-
3.9767	10940	0.0001	-
3.9804	10950	0.0001	-
3.9840	10960	0.0001	-
3.9876	10970	0.0001	-
3.9913	10980	0.0	-
3.9949	10990	0.0001	-
3.9985	11000	0.0001	-
4.0	11004	-	0.0668

The bold row denotes the saved checkpoint.

Framework Versions

Python: 3.10.12
SetFit: 1.0.3
Sentence Transformers: 3.0.1
Transformers: 4.37.0
PyTorch: 2.5.1+cu121
Datasets: 3.1.0
Tokenizers: 0.15.2

Citation

BibTeX

@article{https://doi.org/10.48550/arxiv.2209.11055,
    doi = {10.48550/ARXIV.2209.11055},
    url = {https://arxiv.org/abs/2209.11055},
    author = {Tunstall, Lewis and Reimers, Nils and Jo, Unso Eun Seo and Bates, Luke and Korat, Daniel and Wasserblat, Moshe and Pereg, Oren},
    keywords = {Computation and Language (cs.CL), FOS: Computer and information sciences, FOS: Computer and information sciences},
    title = {Efficient Few-Shot Learning Without Prompts},
    publisher = {arXiv},
    year = {2022},
    copyright = {Creative Commons Attribution 4.0 International}
}