Hugging Face's logo

HussienAhmad
/
SFT_GradProject

Text Classification
setfit
Safetensors
sentence-transformers
bert
generated_from_setfit_trainer
Eval Results
Model card Files Community
SFT_GradProject / README.md
HussienAhmad's picture
HussienAhmad
Push model using huggingface_hub.
264f56a verified
preview code
|
raw
history blame contribute delete
51.1 kB
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: Good morning
  - text: how does the recommendation system work on this platform
  - text: who are you
  - text: where is the search bar
  - text: how can I find courses related to programming
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: 0.8333333333333334
            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:

  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}
}