Hugging Face's logo

adriansanz
/
setfitemotions

Text Classification
setfit
Safetensors
sentence-transformers
xlm-roberta
generated_from_setfit_trainer
Model card Files Community
setfitemotions / README.md
adriansanz's picture
adriansanz
Add SetFit model
cbc2fb7 verified
preview code
|
raw
history blame contribute delete
11.5 kB
metadata
base_model: projecte-aina/ST-NLI-ca_paraphrase-multilingual-mpnet-base
library_name: setfit
metrics:
  - accuracy
pipeline_tag: text-classification
tags:
  - setfit
  - sentence-transformers
  - text-classification
  - generated_from_setfit_trainer
widget:
  - text: Aquest text és Varis
  - text: Aquest text és Mobiliari Urbà
  - text: Aquest text és Velocitat
  - text: Aquest text és Parcs i Jardins
  - text: Aquest text és Enllumenat
inference: true

SetFit with projecte-aina/ST-NLI-ca_paraphrase-multilingual-mpnet-base

This is a SetFit model that can be used for Text Classification. This SetFit model uses projecte-aina/ST-NLI-ca_paraphrase-multilingual-mpnet-base 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:

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

Model Details

Model Description

Model Sources

Model Labels

Label Examples
0
  • 'Aquest text és Arbrat'
  • 'Aquest text és Arbrat'
  • 'Aquest text és Arbrat'
1
  • 'Aquest text és Circulació'
  • 'Aquest text és Circulació'
  • 'Aquest text és Circulació'
2
  • 'Aquest text és Comentaris'
  • 'Aquest text és Comentaris'
  • 'Aquest text és Comentaris'
3
  • 'Aquest text és Enllumenat'
  • 'Aquest text és Enllumenat'
  • 'Aquest text és Enllumenat'
4
  • 'Aquest text és Informació'
  • 'Aquest text és Informació'
  • 'Aquest text és Informació'
5
  • 'Aquest text és Manteniment'
  • 'Aquest text és Manteniment'
  • 'Aquest text és Manteniment'
6
  • 'Aquest text és Mobiliari Urbà'
  • 'Aquest text és Mobiliari Urbà'
  • 'Aquest text és Mobiliari Urbà'
7
  • 'Aquest text és Neteja'
  • 'Aquest text és Neteja'
  • 'Aquest text és Neteja'
8
  • 'Aquest text és Parcs i Jardins'
  • 'Aquest text és Parcs i Jardins'
  • 'Aquest text és Parcs i Jardins'
9
  • 'Aquest text és Senyalització'
  • 'Aquest text és Senyalització'
  • 'Aquest text és Senyalització'
10
  • 'Aquest text és Sorolls'
  • 'Aquest text és Sorolls'
  • 'Aquest text és Sorolls'
11
  • 'Aquest text és Suggeriments'
  • 'Aquest text és Suggeriments'
  • 'Aquest text és Suggeriments'
12
  • 'Aquest text és Varis'
  • 'Aquest text és Varis'
  • 'Aquest text és Varis'
13
  • 'Aquest text és Velocitat'
  • 'Aquest text és Velocitat'
  • 'Aquest text és Velocitat'

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("adriansanz/setfitemotions")
# Run inference
preds = model("Aquest text és Varis")

Training Details

Training Set Metrics

Training set Min Median Max
Word count 4 4.2143 6
Label Training Sample Count
0 10
1 10
2 10
3 10
4 10
5 10
6 10
7 10
8 10
9 10
10 10
11 10
12 10
13 10

Training Hyperparameters

  • batch_size: (16, 16)
  • num_epochs: (3, 3)
  • 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
0.0009 1 0.2021 -
0.0439 50 0.0263 -
0.0879 100 0.0032 -
0.1318 150 0.0015 -
0.1757 200 0.0012 -
0.2197 250 0.0007 -
0.2636 300 0.0008 -
0.3076 350 0.0006 -
0.3515 400 0.0003 -
0.3954 450 0.0003 -
0.4394 500 0.0004 -
0.4833 550 0.0005 -
0.5272 600 0.0004 -
0.5712 650 0.0005 -
0.6151 700 0.0005 -
0.6591 750 0.0002 -
0.7030 800 0.0001 -
0.7469 850 0.0004 -
0.7909 900 0.0002 -
0.8348 950 0.0003 -
0.8787 1000 0.0002 -
0.9227 1050 0.0002 -
0.9666 1100 0.0003 -
1.0105 1150 0.0002 -
1.0545 1200 0.0002 -
1.0984 1250 0.0002 -
1.1424 1300 0.0003 -
1.1863 1350 0.0003 -
1.2302 1400 0.0001 -
1.2742 1450 0.0002 -
1.3181 1500 0.0001 -
1.3620 1550 0.0001 -
1.4060 1600 0.0003 -
1.4499 1650 0.0001 -
1.4938 1700 0.0001 -
1.5378 1750 0.0001 -
1.5817 1800 0.0001 -
1.6257 1850 0.0001 -
1.6696 1900 0.0001 -
1.7135 1950 0.0001 -
1.7575 2000 0.0002 -
1.8014 2050 0.0001 -
1.8453 2100 0.0001 -
1.8893 2150 0.0002 -
1.9332 2200 0.0001 -
1.9772 2250 0.0002 -
2.0211 2300 0.0001 -
2.0650 2350 0.0001 -
2.1090 2400 0.0001 -
2.1529 2450 0.0001 -
2.1968 2500 0.0001 -
2.2408 2550 0.0001 -
2.2847 2600 0.0 -
2.3286 2650 0.0001 -
2.3726 2700 0.0001 -
2.4165 2750 0.0001 -
2.4605 2800 0.0001 -
2.5044 2850 0.0001 -
2.5483 2900 0.0001 -
2.5923 2950 0.0001 -
2.6362 3000 0.0001 -
2.6801 3050 0.0001 -
2.7241 3100 0.0001 -
2.7680 3150 0.0001 -
2.8120 3200 0.0001 -
2.8559 3250 0.0001 -
2.8998 3300 0.0001 -
2.9438 3350 0.0001 -
2.9877 3400 0.0001 -

Framework Versions

  • Python: 3.10.12
  • SetFit: 1.0.3
  • Sentence Transformers: 3.0.1
  • Transformers: 4.39.0
  • PyTorch: 2.3.1+cu121
  • Datasets: 2.20.0
  • 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}
}