Add SetFit model

aeb2673 verified 3 months ago

No virus

8.4 kB

	---
	library_name: setfit
	tags:
	- setfit
	- sentence-transformers
	- text-classification
	- generated_from_setfit_trainer
	metrics:
	- accuracy
	widget:
	- text: ' oui le problème est plus psychologique, je suis d''accord avec vous, et
	je pense que si l''état mettait en place des suivis psychologiques vraiment poussés,
	il n''y aurait pas d''opération, moi j''ai eu un bypass, j''ai repris une quinzaine
	de kilos bien malheureusement, et l''aide pour l''addiction n''est pas prise en
	charge, genre thérapie, et moi je sais que c''est cela mon problème, quand on
	n''a pas une bonne image de soi même, c''est très difficile de gagner la partie'
	- text: Ouaw je me suis totalement reconnue, c’est exactement ce que je vis après
	être sortie d’une sorte d’orthorexie qui a duré plus d’un an et demi (limite anorexie
	mentale), pleine de frustrations j’ai donc repris une dizaine de kilos et ma vie
	est rythmée de privation et d’hyperphagie.. j’essaye de ne pas trop me priver
	mais j’ai l’impression d’être constamment frustrée.. merci pour ta vidéo ❤️
	- text: Mdr mais faut pas être médecin pour savoir comment fonctionne le corps humain
	tu donne meme pas d'argument. Tu dis que c'est une maladie bah parle en dis moi
	pourquoi comment ??? Parce que la j'entends que des tu dis de la merde t médecin
	nanani nanana. Toi en tout cas tu dois pas être Einstein. Moi j'ai donné tout
	les argument qui faut en plus ils sont prouvé. Tu mange tu grossit tu mange pas
	tu minci. Tu fais pas de sport tu maigrit pas tu fais du sport tu maigris bref
	sa sert a rien de parler si ta meme pas la repartie de donner des argument à ce
	que tu dis.
	- text: pour moi ce qui a fonctioner pour me libere de cette obsession, c'est mon
	esprit critique. j'ai bien observee comment on se fout de moi pour que je consome
	toujours plus de poison. apres j'ai bien vu comment on se fout de la soufrance
	des animaux. et comment on nous eloigne de la nature et du naturel et saludable.
	c'est un tres long processus d'observation sincere qui m'a aider a me liberer
	peut a peut. aujourd'huit je suis vegan, je pratique la relaxation et la respiration
	avec ou sans hypnose. il y a encore des moments ou je suis hanter par l'idee de
	la bouffe, je ralentie, je respire lentement et profondement, je regarde le ciel,
	les arbres, les chats, et je me demande comment l'etre humain arrive a etre tellement
	miserable...
	- text: Comme je te comprend 🙏 mes tca ont commencé alors que j'avais 11 ans. J'espère
	que tu vas mieux maintenant
	pipeline_tag: text-classification
	inference: false
	base_model: sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2
	model-index:
	- name: SetFit with sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2
	results:
	- task:
	type: text-classification
	name: Text Classification
	dataset:
	name: Unknown
	type: unknown
	split: test
	metrics:
	- type: accuracy
	value: 0.6115702479338843
	name: Accuracy
	---

	# SetFit with sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2

	This is a [SetFit](https://github.com/huggingface/setfit) model that can be used for Text Classification. This SetFit model uses [sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2](https://huggingface.co/sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2) as the Sentence Transformer embedding model. A OneVsRestClassifier 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](https://www.sbert.net) with contrastive learning.
	2. Training a classification head with features from the fine-tuned Sentence Transformer.

	## Model Details

	### Model Description
	- Model Type: SetFit
	- Sentence Transformer body: [sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2](https://huggingface.co/sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2)
	- Classification head: a OneVsRestClassifier instance
	- Maximum Sequence Length: 128 tokens
	<!-- - Number of Classes: Unknown -->
	<!-- - Training Dataset: [Unknown](https://huggingface.co/datasets/unknown) -->
	<!-- - Language: Unknown -->
	<!-- - License: Unknown -->

	### Model Sources

	- Repository: [SetFit on GitHub](https://github.com/huggingface/setfit)
	- Paper: [Efficient Few-Shot Learning Without Prompts](https://arxiv.org/abs/2209.11055)
	- Blogpost: [SetFit: Efficient Few-Shot Learning Without Prompts](https://huggingface.co/blog/setfit)

	## Evaluation

	### Metrics
	\| Label \| Accuracy \|
	\|:--------\|:---------\|
	\| all \| 0.6116 \|

	## Uses

	### Direct Use for Inference

	First install the SetFit library:

	```bash
	pip install setfit
	```

	Then you can load this model and run inference.

	```python
	from setfit import SetFitModel

	# Download from the 🤗 Hub
	model = SetFitModel.from_pretrained("Ghofranem/setfit-paraphrase-multilingual-MiniLM-L12-v2-ed-balanced-fr-AI4ED")
	# Run inference
	preds = model("Comme je te comprend 🙏 mes tca ont commencé alors que j'avais 11 ans. J'espère que tu vas mieux maintenant")
	```

	<!--
	### Downstream Use

	List how someone could finetune this model on their own dataset.
	-->

	<!--
	### Out-of-Scope Use

	List how the model may foreseeably be misused and address what users ought not to do with the model.
	-->

	<!--
	## Bias, Risks and Limitations

	What are the known or foreseeable issues stemming from this model? You could also flag here known failure cases or weaknesses of the model.
	-->

	<!--
	### Recommendations

	What are recommendations with respect to the foreseeable issues? For example, filtering explicit content.
	-->

	## Training Details

	### Training Set Metrics
	\| Training set \| Min \| Median \| Max \|
	\|:-------------\|:----\|:--------\|:----\|
	\| Word count \| 4 \| 95.7314 \| 694 \|

	### Training Hyperparameters
	- batch_size: (16, 16)
	- num_epochs: (1, 1)
	- max_steps: -1
	- sampling_strategy: oversampling
	- num_iterations: 10
	- body_learning_rate: (2e-05, 2e-05)
	- head_learning_rate: 2e-05
	- 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: False

	### Training Results
	\| Epoch \| Step \| Training Loss \| Validation Loss \|
	\|:------:\|:----:\|:-------------:\|:---------------:\|
	\| 0.0017 \| 1 \| 0.2843 \| - \|
	\| 0.0826 \| 50 \| 0.2442 \| - \|
	\| 0.1653 \| 100 \| 0.2095 \| - \|
	\| 0.2479 \| 150 \| 0.193 \| - \|
	\| 0.3306 \| 200 \| 0.0896 \| - \|
	\| 0.4132 \| 250 \| 0.1439 \| - \|
	\| 0.4959 \| 300 \| 0.1234 \| - \|
	\| 0.5785 \| 350 \| 0.1074 \| - \|
	\| 0.6612 \| 400 \| 0.1135 \| - \|
	\| 0.7438 \| 450 \| 0.0982 \| - \|
	\| 0.8264 \| 500 \| 0.0392 \| - \|
	\| 0.9091 \| 550 \| 0.02 \| - \|
	\| 0.9917 \| 600 \| 0.043 \| - \|

	### Framework Versions
	- Python: 3.10.12
	- SetFit: 1.0.3
	- Sentence Transformers: 2.5.1
	- Transformers: 4.38.2
	- PyTorch: 2.2.1+cu121
	- Datasets: 2.18.0
	- Tokenizers: 0.15.2

	## Citation

	### BibTeX
	```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}
	}
	```

	<!--
	## Glossary

	Clearly define terms in order to be accessible across audiences.
	-->

	<!--
	## Model Card Authors

	Lists the people who create the model card, providing recognition and accountability for the detailed work that goes into its construction.
	-->

	<!--
	## Model Card Contact

	Provides a way for people who have updates to the Model Card, suggestions, or questions, to contact the Model Card authors.
	-->