metadata
library_name: setfit
tags:
- setfit
- sentence-transformers
- text-classification
- generated_from_setfit_trainer
metrics:
- accuracy
widget:
- text: >-
Neteja a deshores : Avui a les 7:30 del matí i s'ha presentat un senyor
amb una furgoneta de LLEIDA MÉS NETA al carrer dels Agustins i amb una
mànega a pressió i el seu compressor s'ha disposat a netejar el mobiliari
urbà fins a les 07:45. Cada cop que apretava la mànega es disparava el
compresor fent així molt soroll i finalment despertant a la canalla que ja
tenen els dies comçlicats com per a que se'ls allarguin més encara A les
7:30 està prohibit fer soroll. Tinc varies fotos que ho demostren.
- text: >-
Barana del canal : A l’alçada del canal del c/. Enginyer Antoni Llobet
esta instal.lada una barana que presenta un espai per la zona inferior que
pot generar un accident,doncs es una zona molt transitada per nens i si
cauen per allí perfectament es poden colar per sota i caure al canal.
Sol.licito que hi fiquin algun tipo de protecció.
- text: >-
Escola de música d'adults : Hola. Voldria suggerir que féssiu algun
descompte a l'Escola de música d'adults per les persones amb discapacitat.
Gràcies.
- text: >-
Expedient DU13-380 Negociat de Disciplina Ue : Benvolguts Srs, Avui ens
hem personat a l'edifici Pal.las per contactar amb el Negociat de
Disciplina Urbanística i donar una resposta personal al requeriment. Estem
en contacte amb un arquitecte qui presentarà en breu els documents
requerits. La persona d'Urbanisme que ens ha atès aquest matí ens ha
suggerit que presentéssim telemàticament l'escrit que volíem avui mateix
aportar al Negociat, i que adjuntem. Rebin una salutació, Elisa Rosanes i
Joan Valls
- text: >-
Bonificació escola bressol : Bones, vaig fer la tramitació per família
monoparental per l'escola bressol la mitjana pero no s'he m'ha aplicat, ja
que posa que la cuantitar a pagar son 90 euros mensuals. He tornat a fer
la solicitud per si hi hagut algun problema. També voldria saber si ja
esta aplicat el servei de menjador. Gràcies.
pipeline_tag: text-classification
inference: true
base_model: ibaucells/RoBERTa-ca-CaWikiTC
SetFit with ibaucells/RoBERTa-ca-CaWikiTC
This is a SetFit model that can be used for Text Classification. This SetFit model uses ibaucells/RoBERTa-ca-CaWikiTC 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: ibaucells/RoBERTa-ca-CaWikiTC
- Classification head: a LogisticRegression instance
- Maximum Sequence Length: 512 tokens
- Number of Classes: 17 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 |
---|---|
0 |
|
1 |
|
2 |
|
3 |
|
4 |
|
5 |
|
6 |
|
7 |
|
8 |
|
9 |
|
10 |
|
11 |
|
12 |
|
13 |
|
14 |
|
15 |
|
16 |
|
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/test8")
# Run inference
preds = model("Escola de música d'adults : Hola. Voldria suggerir que féssiu algun descompte a l'Escola de música d'adults per les persones amb discapacitat. Gràcies.")
Training Details
Training Set Metrics
Training set | Min | Median | Max |
---|---|---|---|
Word count | 5 | 5.2353 | 7 |
Label | Training Sample Count |
---|---|
0 | 8 |
1 | 8 |
2 | 8 |
3 | 8 |
4 | 8 |
5 | 8 |
6 | 8 |
7 | 8 |
8 | 8 |
9 | 8 |
10 | 8 |
11 | 8 |
12 | 8 |
13 | 8 |
14 | 8 |
15 | 8 |
16 | 8 |
Training Hyperparameters
- batch_size: (64, 64)
- num_epochs: (60, 60)
- 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 |
---|---|---|---|
0.0037 | 1 | 0.4079 | - |
0.1838 | 50 | 0.3625 | - |
0.3676 | 100 | 0.3197 | - |
0.5515 | 150 | 0.22 | - |
0.7353 | 200 | 0.2259 | - |
0.9191 | 250 | 0.1748 | - |
Framework Versions
- Python: 3.10.12
- SetFit: 1.0.3
- Sentence Transformers: 2.6.1
- Transformers: 4.38.2
- PyTorch: 2.2.1+cu121
- Datasets: 2.18.0
- 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}
}