Hugging Face's logo

HussienAhmad
/
SFT_GradProject

Text Classification
setfit
Safetensors
sentence-transformers
bert
generated_from_setfit_trainer
Eval Results
Model card Files Community
Edit model card

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:

  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
general-questions
  • 'can you explain the concept of cloud computing'
  • 'how do I assess my skills after completing a course'
  • 'what is the significance of feedback in online learning'
website-information
  • 'how to access the dashboard'
  • 'where can I see my completed courses'
  • 'where can I find notifications'
greet-who_are_you
  • "pourquoi j'ai besoin de toi"
  • 'help please'
  • 'I can not understand you'
recommendations
  • 'how do I get recommendations based on my interests'
  • 'can you recommend advanced courses in data science'
  • 'what courses are trending in web development'
greet-hi
  • 'Hey'
  • 'Bonsoir'
  • 'Salut'
greet-good_bye
  • 'sortir'
  • 'A plus tard'
  • 'See you later'

Evaluation

Metrics

Label Accuracy
all 0.8333

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("who are you")

Training Details

Training Set Metrics

Training set Min Median Max
Word count 1 6.2 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

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
0.0005 1 0.3442 -
0.0053 10 0.2974 -
0.0105 20 0.1983 -
0.0158 30 0.0645 -
0.0210 40 0.3592 -
0.0263 50 0.0033 -
0.0316 60 0.2558 -
0.0368 70 0.2319 -
0.0421 80 0.3831 -
0.0473 90 0.1864 -
0.0526 100 0.2244 -
0.0579 110 0.2316 -
0.0631 120 0.3702 -
0.0684 130 0.0582 -
0.0736 140 0.1031 -
0.0789 150 0.2882 -
0.0842 160 0.1125 -
0.0894 170 0.1588 -
0.0947 180 0.1672 -
0.0999 190 0.0974 -
0.1052 200 0.1789 -
0.1105 210 0.1032 -
0.1157 220 0.1344 -
0.1210 230 0.0952 -
0.1262 240 0.0891 -
0.1315 250 0.4312 -
0.1368 260 0.0871 -
0.1420 270 0.1482 -
0.1473 280 0.0645 -
0.1526 290 0.1214 -
0.1578 300 0.186 -
0.1631 310 0.0516 -
0.1683 320 0.0761 -
0.1736 330 0.0263 -
0.1789 340 0.0588 -
0.1841 350 0.016 -
0.1894 360 0.0264 -
0.1946 370 0.0153 -
0.1999 380 0.0091 -
0.2052 390 0.0347 -
0.2104 400 0.0095 -
0.2157 410 0.0262 -
0.2209 420 0.0182 -
0.2262 430 0.1407 -
0.2315 440 0.1451 -
0.2367 450 0.0045 -
0.2420 460 0.0053 -
0.2472 470 0.0038 -
0.2525 480 0.1549 -
0.2578 490 0.0036 -
0.2630 500 0.0079 -
0.2683 510 0.0065 -
0.2735 520 0.005 -
0.2788 530 0.0038 -
0.2841 540 0.0283 -
0.2893 550 0.0114 -
0.2946 560 0.0012 -
0.2998 570 0.0165 -
0.3051 580 0.0009 -
0.3104 590 0.038 -
0.3156 600 0.0127 -
0.3209 610 0.0019 -
0.3261 620 0.003 -
0.3314 630 0.0013 -
0.3367 640 0.0024 -
0.3419 650 0.002 -
0.3472 660 0.0017 -
0.3524 670 0.0074 -
0.3577 680 0.0008 -
0.3630 690 0.0015 -
0.3682 700 0.0018 -
0.3735 710 0.0009 -
0.3787 720 0.0019 -
0.3840 730 0.0032 -
0.3893 740 0.001 -
0.3945 750 0.0257 -
0.3998 760 0.0018 -
0.4050 770 0.001 -
0.4103 780 0.0006 -
0.4156 790 0.0014 -
0.4208 800 0.0012 -
0.4261 810 0.018 -
0.4314 820 0.0013 -
0.4366 830 0.0019 -
0.4419 840 0.0006 -
0.4471 850 0.0012 -
0.4524 860 0.0011 -
0.4577 870 0.001 -
0.4629 880 0.0017 -
0.4682 890 0.002 -
0.4734 900 0.0009 -
0.4787 910 0.0026 -
0.4840 920 0.0009 -
0.4892 930 0.0019 -
0.4945 940 0.0018 -
0.4997 950 0.001 -
0.5050 960 0.0022 -
0.5103 970 0.0006 -
0.5155 980 0.001 -
0.5208 990 0.0004 -
0.5260 1000 0.0002 -
0.5313 1010 0.001 -
0.5366 1020 0.001 -
0.5418 1030 0.0019 -
0.5471 1040 0.0004 -
0.5523 1050 0.1705 -
0.5576 1060 0.0006 -
0.5629 1070 0.0006 -
0.5681 1080 0.0007 -
0.5734 1090 0.1562 -
0.5786 1100 0.0008 -
0.5839 1110 0.0016 -
0.5892 1120 0.001 -
0.5944 1130 0.0003 -
0.5997 1140 0.0077 -
0.6049 1150 0.0006 -
0.6102 1160 0.0008 -
0.6155 1170 0.0006 -
0.6207 1180 0.0007 -
0.6260 1190 0.1438 -
0.6312 1200 0.0008 -
0.6365 1210 0.0012 -
0.6418 1220 0.0005 -
0.6470 1230 0.0017 -
0.6523 1240 0.0007 -
0.6575 1250 0.0004 -
0.6628 1260 0.0066 -
0.6681 1270 0.0004 -
0.6733 1280 0.0002 -
0.6786 1290 0.1272 -
0.6839 1300 0.0019 -
0.6891 1310 0.0014 -
0.6944 1320 0.0003 -
0.6996 1330 0.0007 -
0.7049 1340 0.0003 -
0.7102 1350 0.0008 -
0.7154 1360 0.0005 -
0.7207 1370 0.126 -
0.7259 1380 0.0003 -
0.7312 1390 0.0013 -
0.7365 1400 0.0005 -
0.7417 1410 0.0003 -
0.7470 1420 0.0003 -
0.7522 1430 0.0003 -
0.7575 1440 0.0005 -
0.7628 1450 0.0009 -
0.7680 1460 0.0008 -
0.7733 1470 0.0002 -
0.7785 1480 0.0003 -
0.7838 1490 0.0007 -
0.7891 1500 0.0064 -
0.7943 1510 0.0004 -
0.7996 1520 0.0006 -
0.8048 1530 0.0003 -
0.8101 1540 0.0005 -
0.8154 1550 0.0006 -
0.8206 1560 0.0005 -
0.8259 1570 0.0004 -
0.8311 1580 0.0007 -
0.8364 1590 0.0006 -
0.8417 1600 0.0002 -
0.8469 1610 0.0007 -
0.8522 1620 0.0002 -
0.8574 1630 0.0005 -
0.8627 1640 0.0035 -
0.8680 1650 0.0004 -
0.8732 1660 0.0025 -
0.8785 1670 0.0005 -
0.8837 1680 0.0021 -
0.8890 1690 0.0003 -
0.8943 1700 0.0018 -
0.8995 1710 0.0004 -
0.9048 1720 0.0002 -
0.9100 1730 0.0003 -
0.9153 1740 0.0006 -
0.9206 1750 0.0002 -
0.9258 1760 0.0003 -
0.9311 1770 0.0004 -
0.9363 1780 0.0004 -
0.9416 1790 0.0004 -
0.9469 1800 0.0006 -
0.9521 1810 0.0007 -
0.9574 1820 0.001 -
0.9627 1830 0.0003 -
0.9679 1840 0.0009 -
0.9732 1850 0.0001 -
0.9784 1860 0.0006 -
0.9837 1870 0.0002 -
0.9890 1880 0.0003 -
0.9942 1890 0.0004 -
0.9995 1900 0.0009 -
1.0 1901 - 0.0347
1.0047 1910 0.0004 -
1.0100 1920 0.0004 -
1.0153 1930 0.0005 -
1.0205 1940 0.0007 -
1.0258 1950 0.0085 -
1.0310 1960 0.0003 -
1.0363 1970 0.0003 -
1.0416 1980 0.0002 -
1.0468 1990 0.0009 -
1.0521 2000 0.0002 -
1.0573 2010 0.0059 -
1.0626 2020 0.0007 -
1.0679 2030 0.0008 -
1.0731 2040 0.0002 -
1.0784 2050 0.0002 -
1.0836 2060 0.0003 -
1.0889 2070 0.0003 -
1.0942 2080 0.0002 -
1.0994 2090 0.0003 -
1.1047 2100 0.0002 -
1.1099 2110 0.0065 -
1.1152 2120 0.0006 -
1.1205 2130 0.0004 -
1.1257 2140 0.0035 -
1.1310 2150 0.0003 -
1.1362 2160 0.0002 -
1.1415 2170 0.0002 -
1.1468 2180 0.0002 -
1.1520 2190 0.001 -
1.1573 2200 0.0003 -
1.1625 2210 0.0002 -
1.1678 2220 0.0002 -
1.1731 2230 0.0002 -
1.1783 2240 0.0003 -
1.1836 2250 0.0002 -
1.1888 2260 0.0008 -
1.1941 2270 0.0002 -
1.1994 2280 0.0018 -
1.2046 2290 0.0001 -
1.2099 2300 0.0002 -
1.2151 2310 0.0005 -
1.2204 2320 0.0008 -
1.2257 2330 0.0002 -
1.2309 2340 0.0003 -
1.2362 2350 0.0002 -
1.2415 2360 0.0003 -
1.2467 2370 0.0001 -
1.2520 2380 0.0002 -
1.2572 2390 0.0002 -
1.2625 2400 0.0002 -
1.2678 2410 0.0003 -
1.2730 2420 0.0002 -
1.2783 2430 0.0002 -
1.2835 2440 0.0002 -
1.2888 2450 0.0003 -
1.2941 2460 0.0004 -
1.2993 2470 0.0002 -
1.3046 2480 0.0002 -
1.3098 2490 0.0006 -
1.3151 2500 0.0002 -
1.3204 2510 0.0002 -
1.3256 2520 0.0001 -
1.3309 2530 0.0037 -
1.3361 2540 0.0004 -
1.3414 2550 0.0003 -
1.3467 2560 0.0001 -
1.3519 2570 0.0001 -
1.3572 2580 0.0003 -
1.3624 2590 0.0002 -
1.3677 2600 0.0003 -
1.3730 2610 0.0003 -
1.3782 2620 0.0003 -
1.3835 2630 0.0003 -
1.3887 2640 0.0002 -
1.3940 2650 0.0034 -
1.3993 2660 0.0002 -
1.4045 2670 0.0004 -
1.4098 2680 0.0004 -
1.4150 2690 0.0003 -
1.4203 2700 0.0003 -
1.4256 2710 0.0007 -
1.4308 2720 0.0002 -
1.4361 2730 0.0004 -
1.4413 2740 0.0004 -
1.4466 2750 0.0005 -
1.4519 2760 0.0003 -
1.4571 2770 0.0003 -
1.4624 2780 0.0005 -
1.4676 2790 0.0015 -
1.4729 2800 0.0005 -
1.4782 2810 0.0003 -
1.4834 2820 0.0003 -
1.4887 2830 0.0002 -
1.4940 2840 0.0003 -
1.4992 2850 0.0004 -
1.5045 2860 0.0025 -
1.5097 2870 0.0001 -
1.5150 2880 0.0002 -
1.5203 2890 0.0004 -
1.5255 2900 0.0001 -
1.5308 2910 0.0003 -
1.5360 2920 0.0006 -
1.5413 2930 0.0001 -
1.5466 2940 0.0001 -
1.5518 2950 0.0004 -
1.5571 2960 0.0002 -
1.5623 2970 0.0006 -
1.5676 2980 0.0003 -
1.5729 2990 0.001 -
1.5781 3000 0.0003 -
1.5834 3010 0.0002 -
1.5886 3020 0.0003 -
1.5939 3030 0.0002 -
1.5992 3040 0.0001 -
1.6044 3050 0.0002 -
1.6097 3060 0.0002 -
1.6149 3070 0.0002 -
1.6202 3080 0.0001 -
1.6255 3090 0.0002 -
1.6307 3100 0.0002 -
1.6360 3110 0.0001 -
1.6412 3120 0.0001 -
1.6465 3130 0.0002 -
1.6518 3140 0.0003 -
1.6570 3150 0.0002 -
1.6623 3160 0.0002 -
1.6675 3170 0.0001 -
1.6728 3180 0.0002 -
1.6781 3190 0.0002 -
1.6833 3200 0.0008 -
1.6886 3210 0.0002 -
1.6938 3220 0.0003 -
1.6991 3230 0.0001 -
1.7044 3240 0.0001 -
1.7096 3250 0.0001 -
1.7149 3260 0.0002 -
1.7201 3270 0.0003 -
1.7254 3280 0.0001 -
1.7307 3290 0.0003 -
1.7359 3300 0.0001 -
1.7412 3310 0.0003 -
1.7464 3320 0.0002 -
1.7517 3330 0.0002 -
1.7570 3340 0.0001 -
1.7622 3350 0.0002 -
1.7675 3360 0.0001 -
1.7728 3370 0.0005 -
1.7780 3380 0.0001 -
1.7833 3390 0.0003 -
1.7885 3400 0.0002 -
1.7938 3410 0.0003 -
1.7991 3420 0.0002 -
1.8043 3430 0.0002 -
1.8096 3440 0.0009 -
1.8148 3450 0.0001 -
1.8201 3460 0.0005 -
1.8254 3470 0.0002 -
1.8306 3480 0.0004 -
1.8359 3490 0.0002 -
1.8411 3500 0.0001 -
1.8464 3510 0.0001 -
1.8517 3520 0.0003 -
1.8569 3530 0.0001 -
1.8622 3540 0.0002 -
1.8674 3550 0.0002 -
1.8727 3560 0.0011 -
1.8780 3570 0.0003 -
1.8832 3580 0.0003 -
1.8885 3590 0.0002 -
1.8937 3600 0.0001 -
1.8990 3610 0.0001 -
1.9043 3620 0.0002 -
1.9095 3630 0.0001 -
1.9148 3640 0.0002 -
1.9200 3650 0.0002 -
1.9253 3660 0.0002 -
1.9306 3670 0.0002 -
1.9358 3680 0.0001 -
1.9411 3690 0.0002 -
1.9463 3700 0.0003 -
1.9516 3710 0.0006 -
1.9569 3720 0.0004 -
1.9621 3730 0.0001 -
1.9674 3740 0.0002 -
1.9726 3750 0.0004 -
1.9779 3760 0.0002 -
1.9832 3770 0.0004 -
1.9884 3780 0.0003 -
1.9937 3790 0.0002 -
1.9989 3800 0.0002 -
2.0 3802 - 0.0333
2.0042 3810 0.0001 -
2.0095 3820 0.0002 -
2.0147 3830 0.0004 -
2.0200 3840 0.0005 -
2.0252 3850 0.0002 -
2.0305 3860 0.0001 -
2.0358 3870 0.0005 -
2.0410 3880 0.0002 -
2.0463 3890 0.0002 -
2.0516 3900 0.0002 -
2.0568 3910 0.0003 -
2.0621 3920 0.0002 -
2.0673 3930 0.0005 -
2.0726 3940 0.0002 -
2.0779 3950 0.0001 -
2.0831 3960 0.0001 -
2.0884 3970 0.0003 -
2.0936 3980 0.0001 -
2.0989 3990 0.0002 -
2.1042 4000 0.0001 -
2.1094 4010 0.0001 -
2.1147 4020 0.0001 -
2.1199 4030 0.0004 -
2.1252 4040 0.0002 -
2.1305 4050 0.0003 -
2.1357 4060 0.0002 -
2.1410 4070 0.0001 -
2.1462 4080 0.0001 -
2.1515 4090 0.0001 -
2.1568 4100 0.0001 -
2.1620 4110 0.0001 -
2.1673 4120 0.0001 -
2.1725 4130 0.0001 -
2.1778 4140 0.0001 -
2.1831 4150 0.0009 -
2.1883 4160 0.0001 -
2.1936 4170 0.0003 -
2.1988 4180 0.0001 -
2.2041 4190 0.0002 -
2.2094 4200 0.0003 -
2.2146 4210 0.0008 -
2.2199 4220 0.0002 -
2.2251 4230 0.0004 -
2.2304 4240 0.0002 -
2.2357 4250 0.0001 -
2.2409 4260 0.0004 -
2.2462 4270 0.0001 -
2.2514 4280 0.0001 -
2.2567 4290 0.0001 -
2.2620 4300 0.0001 -
2.2672 4310 0.0002 -
2.2725 4320 0.0002 -
2.2777 4330 0.0002 -
2.2830 4340 0.0002 -
2.2883 4350 0.0001 -
2.2935 4360 0.0001 -
2.2988 4370 0.0001 -
2.3041 4380 0.0004 -
2.3093 4390 0.0002 -
2.3146 4400 0.0001 -
2.3198 4410 0.0004 -
2.3251 4420 0.0001 -
2.3304 4430 0.0001 -
2.3356 4440 0.0001 -
2.3409 4450 0.0001 -
2.3461 4460 0.0001 -
2.3514 4470 0.0002 -
2.3567 4480 0.0004 -
2.3619 4490 0.0003 -
2.3672 4500 0.0002 -
2.3724 4510 0.0001 -
2.3777 4520 0.0001 -
2.3830 4530 0.0001 -
2.3882 4540 0.0001 -
2.3935 4550 0.0001 -
2.3987 4560 0.0002 -
2.4040 4570 0.0001 -
2.4093 4580 0.0001 -
2.4145 4590 0.0001 -
2.4198 4600 0.0001 -
2.4250 4610 0.0001 -
2.4303 4620 0.0008 -
2.4356 4630 0.0001 -
2.4408 4640 0.0002 -
2.4461 4650 0.0001 -
2.4513 4660 0.0001 -
2.4566 4670 0.0001 -
2.4619 4680 0.0001 -
2.4671 4690 0.0001 -
2.4724 4700 0.0001 -
2.4776 4710 0.0001 -
2.4829 4720 0.0001 -
2.4882 4730 0.0002 -
2.4934 4740 0.0001 -
2.4987 4750 0.0001 -
2.5039 4760 0.0008 -
2.5092 4770 0.0002 -
2.5145 4780 0.0001 -
2.5197 4790 0.0001 -
2.5250 4800 0.0007 -
2.5302 4810 0.0003 -
2.5355 4820 0.0001 -
2.5408 4830 0.0001 -
2.5460 4840 0.0001 -
2.5513 4850 0.0003 -
2.5565 4860 0.0001 -
2.5618 4870 0.0001 -
2.5671 4880 0.0002 -
2.5723 4890 0.0001 -
2.5776 4900 0.0001 -
2.5829 4910 0.0003 -
2.5881 4920 0.0001 -
2.5934 4930 0.0002 -
2.5986 4940 0.0003 -
2.6039 4950 0.0001 -
2.6092 4960 0.0002 -
2.6144 4970 0.0001 -
2.6197 4980 0.0002 -
2.6249 4990 0.0002 -
2.6302 5000 0.0002 -
2.6355 5010 0.0004 -
2.6407 5020 0.0001 -
2.6460 5030 0.0001 -
2.6512 5040 0.0004 -
2.6565 5050 0.0001 -
2.6618 5060 0.0002 -
2.6670 5070 0.0014 -
2.6723 5080 0.0003 -
2.6775 5090 0.0001 -
2.6828 5100 0.0003 -
2.6881 5110 0.0001 -
2.6933 5120 0.0001 -
2.6986 5130 0.0009 -
2.7038 5140 0.0002 -
2.7091 5150 0.0003 -
2.7144 5160 0.0001 -
2.7196 5170 0.0001 -
2.7249 5180 0.0002 -
2.7301 5190 0.0001 -
2.7354 5200 0.0001 -
2.7407 5210 0.0001 -
2.7459 5220 0.0002 -
2.7512 5230 0.0004 -
2.7564 5240 0.0001 -
2.7617 5250 0.0001 -
2.7670 5260 0.0004 -
2.7722 5270 0.0003 -
2.7775 5280 0.0002 -
2.7827 5290 0.0002 -
2.7880 5300 0.0001 -
2.7933 5310 0.0003 -
2.7985 5320 0.0001 -
2.8038 5330 0.0005 -
2.8090 5340 0.0001 -
2.8143 5350 0.0001 -
2.8196 5360 0.0001 -
2.8248 5370 0.0001 -
2.8301 5380 0.0003 -
2.8353 5390 0.0001 -
2.8406 5400 0.0008 -
2.8459 5410 0.0001 -
2.8511 5420 0.0001 -
2.8564 5430 0.0001 -
2.8617 5440 0.0002 -
2.8669 5450 0.0001 -
2.8722 5460 0.0004 -
2.8774 5470 0.0001 -
2.8827 5480 0.0001 -
2.8880 5490 0.0002 -
2.8932 5500 0.0001 -
2.8985 5510 0.0001 -
2.9037 5520 0.0001 -
2.9090 5530 0.0002 -
2.9143 5540 0.0002 -
2.9195 5550 0.0001 -
2.9248 5560 0.0001 -
2.9300 5570 0.0005 -
2.9353 5580 0.0002 -
2.9406 5590 0.0001 -
2.9458 5600 0.0001 -
2.9511 5610 0.0003 -
2.9563 5620 0.0001 -
2.9616 5630 0.0001 -
2.9669 5640 0.0001 -
2.9721 5650 0.0006 -
2.9774 5660 0.0001 -
2.9826 5670 0.0001 -
2.9879 5680 0.0001 -
2.9932 5690 0.0001 -
2.9984 5700 0.0001 -
3.0 5703 - 0.0349
3.0037 5710 0.0001 -
3.0089 5720 0.0001 -
3.0142 5730 0.0002 -
3.0195 5740 0.0001 -
3.0247 5750 0.0002 -
3.0300 5760 0.0001 -
3.0352 5770 0.0008 -
3.0405 5780 0.0004 -
3.0458 5790 0.0003 -
3.0510 5800 0.0001 -
3.0563 5810 0.0001 -
3.0615 5820 0.0006 -
3.0668 5830 0.0002 -
3.0721 5840 0.0001 -
3.0773 5850 0.0002 -
3.0826 5860 0.0002 -
3.0878 5870 0.0002 -
3.0931 5880 0.0002 -
3.0984 5890 0.0001 -
3.1036 5900 0.0001 -
3.1089 5910 0.0001 -
3.1142 5920 0.0001 -
3.1194 5930 0.0001 -
3.1247 5940 0.0001 -
3.1299 5950 0.0002 -
3.1352 5960 0.0003 -
3.1405 5970 0.0003 -
3.1457 5980 0.0009 -
3.1510 5990 0.0001 -
3.1562 6000 0.0001 -
3.1615 6010 0.0002 -
3.1668 6020 0.0001 -
3.1720 6030 0.0001 -
3.1773 6040 0.0001 -
3.1825 6050 0.0002 -
3.1878 6060 0.0001 -
3.1931 6070 0.0001 -
3.1983 6080 0.0002 -
3.2036 6090 0.0001 -
3.2088 6100 0.0002 -
3.2141 6110 0.0003 -
3.2194 6120 0.0001 -
3.2246 6130 0.0001 -
3.2299 6140 0.0001 -
3.2351 6150 0.0001 -
3.2404 6160 0.0001 -
3.2457 6170 0.0001 -
3.2509 6180 0.0001 -
3.2562 6190 0.0001 -
3.2614 6200 0.0001 -
3.2667 6210 0.0002 -
3.2720 6220 0.0001 -
3.2772 6230 0.0001 -
3.2825 6240 0.0001 -
3.2877 6250 0.0002 -
3.2930 6260 0.0001 -
3.2983 6270 0.0001 -
3.3035 6280 0.0002 -
3.3088 6290 0.0001 -
3.3140 6300 0.0001 -
3.3193 6310 0.0001 -
3.3246 6320 0.0001 -
3.3298 6330 0.0 -
3.3351 6340 0.0003 -
3.3403 6350 0.0002 -
3.3456 6360 0.0001 -
3.3509 6370 0.0001 -
3.3561 6380 0.0003 -
3.3614 6390 0.0 -
3.3666 6400 0.0001 -
3.3719 6410 0.0001 -
3.3772 6420 0.0001 -
3.3824 6430 0.0001 -
3.3877 6440 0.0001 -
3.3930 6450 0.0003 -
3.3982 6460 0.0002 -
3.4035 6470 0.0001 -
3.4087 6480 0.0002 -
3.4140 6490 0.0003 -
3.4193 6500 0.0 -
3.4245 6510 0.0001 -
3.4298 6520 0.0002 -
3.4350 6530 0.0001 -
3.4403 6540 0.0001 -
3.4456 6550 0.0001 -
3.4508 6560 0.0001 -
3.4561 6570 0.0001 -
3.4613 6580 0.0001 -
3.4666 6590 0.0001 -
3.4719 6600 0.0001 -
3.4771 6610 0.0001 -
3.4824 6620 0.0003 -
3.4876 6630 0.0001 -
3.4929 6640 0.0001 -
3.4982 6650 0.0001 -
3.5034 6660 0.0002 -
3.5087 6670 0.0001 -
3.5139 6680 0.0007 -
3.5192 6690 0.0004 -
3.5245 6700 0.0001 -
3.5297 6710 0.0001 -
3.5350 6720 0.0001 -
3.5402 6730 0.0001 -
3.5455 6740 0.0001 -
3.5508 6750 0.0001 -
3.5560 6760 0.0001 -
3.5613 6770 0.0001 -
3.5665 6780 0.0001 -
3.5718 6790 0.0001 -
3.5771 6800 0.0 -
3.5823 6810 0.0001 -
3.5876 6820 0.0001 -
3.5928 6830 0.0004 -
3.5981 6840 0.0001 -
3.6034 6850 0.0001 -
3.6086 6860 0.0001 -
3.6139 6870 0.0 -
3.6191 6880 0.0001 -
3.6244 6890 0.0001 -
3.6297 6900 0.0001 -
3.6349 6910 0.0001 -
3.6402 6920 0.0002 -
3.6454 6930 0.0001 -
3.6507 6940 0.0001 -
3.6560 6950 0.0 -
3.6612 6960 0.0 -
3.6665 6970 0.0001 -
3.6718 6980 0.0001 -
3.6770 6990 0.0002 -
3.6823 7000 0.0001 -
3.6875 7010 0.0001 -
3.6928 7020 0.0001 -
3.6981 7030 0.0001 -
3.7033 7040 0.0001 -
3.7086 7050 0.0002 -
3.7138 7060 0.0001 -
3.7191 7070 0.0001 -
3.7244 7080 0.0001 -
3.7296 7090 0.0001 -
3.7349 7100 0.0001 -
3.7401 7110 0.0001 -
3.7454 7120 0.0001 -
3.7507 7130 0.0003 -
3.7559 7140 0.0001 -
3.7612 7150 0.0001 -
3.7664 7160 0.0002 -
3.7717 7170 0.0002 -
3.7770 7180 0.0001 -
3.7822 7190 0.0001 -
3.7875 7200 0.0001 -
3.7927 7210 0.0003 -
3.7980 7220 0.0001 -
3.8033 7230 0.0001 -
3.8085 7240 0.0001 -
3.8138 7250 0.0001 -
3.8190 7260 0.0001 -
3.8243 7270 0.0002 -
3.8296 7280 0.0002 -
3.8348 7290 0.0001 -
3.8401 7300 0.0001 -
3.8453 7310 0.0001 -
3.8506 7320 0.0001 -
3.8559 7330 0.0001 -
3.8611 7340 0.0006 -
3.8664 7350 0.0001 -
3.8716 7360 0.0001 -
3.8769 7370 0.0 -
3.8822 7380 0.0003 -
3.8874 7390 0.0001 -
3.8927 7400 0.0001 -
3.8979 7410 0.0001 -
3.9032 7420 0.0001 -
3.9085 7430 0.0002 -
3.9137 7440 0.0001 -
3.9190 7450 0.0002 -
3.9243 7460 0.0001 -
3.9295 7470 0.0001 -
3.9348 7480 0.0002 -
3.9400 7490 0.0001 -
3.9453 7500 0.0002 -
3.9506 7510 0.0001 -
3.9558 7520 0.0001 -
3.9611 7530 0.0001 -
3.9663 7540 0.0001 -
3.9716 7550 0.0001 -
3.9769 7560 0.0002 -
3.9821 7570 0.0001 -
3.9874 7580 0.0001 -
3.9926 7590 0.0001 -
3.9979 7600 0.0001 -
4.0 7604 - 0.0319
  • 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}
}
Downloads last month
6
Safetensors
Model size
22.7M params
Tensor type
F32
·
Inference Examples
Text Classification
This model does not have enough activity to be deployed to Inference API (serverless) yet. Increase its social visibility and check back later, or deploy to Inference Endpoints (dedicated) instead.

Model tree for HussienAhmad/SFT_GradProject

Base model

sentence-transformers/all-MiniLM-L6-v2
Finetuned
(161)
this model

Evaluation results

View on Papers With Code