spaly99/my-setfit-model

SetFit with sentence-transformers/paraphrase-mpnet-base-v2

This is a SetFit model that can be used for Text Classification. This SetFit model uses sentence-transformers/paraphrase-mpnet-base-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 Type: SetFit
• Sentence Transformer body: sentence-transformers/paraphrase-mpnet-base-v2
• Classification head: a LogisticRegression instance
• Maximum Sequence Length: 512 tokens
• Number of Classes: 2 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
True	'Pug (1×1)' 'Pug (1×1)' '/ 0:31'
False	'Forum FAQ' 'Hearthstone' 'NVIDIA GeForce GTX 670MX (Mobile) 3072 MB'

Evaluation

Metrics

Label	Accuracy
all	0.9035

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("setfit_model_id")
# Run inference
preds = model("Sign in")

Training Details

Training Set Metrics

Training set	Min	Median	Max
Word count	1	5.4853	301

Label	Training Sample Count
False	6755
True	6757

Training Hyperparameters

• batch_size: (16, 16)
• num_epochs: (1, 1)
• max_steps: -1
• sampling_strategy: oversampling
• num_iterations: 20
• 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
0.0000	1	0.3555	-
0.0015	50	0.3874	-
0.0030	100	0.3422	-
0.0044	150	0.3148	-
0.0059	200	0.2496	-
0.0074	250	0.2681	-
0.0089	300	0.2412	-
0.0104	350	0.2927	-
0.0118	400	0.2389	-
0.0133	450	0.2559	-
0.0148	500	0.204	-
0.0163	550	0.158	-
0.0178	600	0.1479	-
0.0192	650	0.1958	-
0.0207	700	0.2173	-
0.0222	750	0.1231	-
0.0237	800	0.1966	-
0.0252	850	0.1599	-
0.0266	900	0.1373	-
0.0281	950	0.2491	-
0.0296	1000	0.0951	-
0.0311	1050	0.2253	-
0.0326	1100	0.2046	-
0.0340	1150	0.2174	-
0.0355	1200	0.1401	-
0.0370	1250	0.1549	-
0.0385	1300	0.1872	-
0.0400	1350	0.2262	-
0.0414	1400	0.1277	-
0.0429	1450	0.1653	-
0.0444	1500	0.1355	-
0.0459	1550	0.1235	-
0.0474	1600	0.0947	-
0.0488	1650	0.11	-
0.0503	1700	0.1149	-
0.0518	1750	0.1823	-
0.0533	1800	0.2104	-
0.0548	1850	0.0871	-
0.0562	1900	0.1275	-
0.0577	1950	0.0977	-
0.0592	2000	0.2031	-
0.0607	2050	0.1872	-
0.0622	2100	0.0996	-
0.0636	2150	0.1487	-
0.0651	2200	0.1647	-
0.0666	2250	0.0861	-
0.0681	2300	0.0464	-
0.0696	2350	0.1026	-
0.0710	2400	0.2031	-
0.0725	2450	0.1815	-
0.0740	2500	0.0644	-
0.0755	2550	0.1039	-
0.0770	2600	0.0115	-
0.0784	2650	0.0426	-
0.0799	2700	0.0895	-
0.0814	2750	0.1562	-
0.0829	2800	0.0835	-
0.0844	2850	0.1681	-
0.0858	2900	0.1159	-
0.0873	2950	0.0162	-
0.0888	3000	0.0634	-
0.0903	3050	0.1161	-
0.0918	3100	0.1086	-
0.0933	3150	0.0548	-
0.0947	3200	0.1209	-
0.0962	3250	0.0425	-
0.0977	3300	0.0157	-
0.0992	3350	0.1293	-
0.1007	3400	0.1847	-
0.1021	3450	0.1965	-
0.1036	3500	0.1286	-
0.1051	3550	0.104	-
0.1066	3600	0.0899	-
0.1081	3650	0.1513	-
0.1095	3700	0.0443	-
0.1110	3750	0.053	-
0.1125	3800	0.0096	-
0.1140	3850	0.0399	-
0.1155	3900	0.068	-
0.1169	3950	0.0537	-
0.1184	4000	0.0235	-
0.1199	4050	0.0625	-
0.1214	4100	0.1303	-
0.1229	4150	0.1208	-
0.1243	4200	0.0041	-
0.1258	4250	0.059	-
0.1273	4300	0.0543	-
0.1288	4350	0.1664	-
0.1303	4400	0.0591	-
0.1317	4450	0.0631	-
0.1332	4500	0.2538	-
0.1347	4550	0.0484	-
0.1362	4600	0.003	-
0.1377	4650	0.0849	-
0.1391	4700	0.1109	-
0.1406	4750	0.0403	-
0.1421	4800	0.0481	-
0.1436	4850	0.0172	-
0.1451	4900	0.0049	-
0.1465	4950	0.006	-
0.1480	5000	0.0009	-
0.1495	5050	0.0712	-
0.1510	5100	0.1076	-
0.1525	5150	0.1123	-
0.1539	5200	0.0029	-
0.1554	5250	0.0519	-
0.1569	5300	0.0523	-
0.1584	5350	0.097	-
0.1599	5400	0.0471	-
0.1613	5450	0.0371	-
0.1628	5500	0.1127	-
0.1643	5550	0.0535	-
0.1658	5600	0.0067	-
0.1673	5650	0.01	-
0.1687	5700	0.0085	-
0.1702	5750	0.0739	-
0.1717	5800	0.0019	-
0.1732	5850	0.0045	-
0.1747	5900	0.1316	-
0.1761	5950	0.0623	-
0.1776	6000	0.088	-
0.1791	6050	0.0498	-
0.1806	6100	0.0028	-
0.1821	6150	0.1206	-
0.1835	6200	0.0041	-
0.1850	6250	0.0849	-
0.1865	6300	0.247	-
0.1880	6350	0.0042	-
0.1895	6400	0.0944	-
0.1909	6450	0.1046	-
0.1924	6500	0.0481	-
0.1939	6550	0.0034	-
0.1954	6600	0.0066	-
0.1969	6650	0.0015	-
0.1983	6700	0.0816	-
0.1998	6750	0.0511	-
0.2013	6800	0.0739	-
0.2028	6850	0.0024	-
0.2043	6900	0.0221	-
0.2057	6950	0.0678	-
0.2072	7000	0.0838	-
0.2087	7050	0.0023	-
0.2102	7100	0.0043	-
0.2117	7150	0.0551	-
0.2131	7200	0.0167	-
0.2146	7250	0.0033	-
0.2161	7300	0.008	-
0.2176	7350	0.0259	-
0.2191	7400	0.0078	-
0.2205	7450	0.0113	-
0.2220	7500	0.0153	-
0.2235	7550	0.059	-
0.2250	7600	0.0401	-
0.2265	7650	0.0015	-
0.2279	7700	0.0102	-
0.2294	7750	0.0489	-
0.2309	7800	0.1319	-
0.2324	7850	0.0128	-
0.2339	7900	0.0234	-
0.2353	7950	0.0105	-
0.2368	8000	0.0008	-
0.2383	8050	0.1118	-
0.2398	8100	0.0076	-
0.2413	8150	0.1399	-
0.2427	8200	0.0042	-
0.2442	8250	0.0579	-
0.2457	8300	0.0533	-
0.2472	8350	0.0271	-
0.2487	8400	0.0461	-
0.2501	8450	0.0052	-
0.2516	8500	0.0661	-
0.2531	8550	0.0407	-
0.2546	8600	0.0208	-
0.2561	8650	0.0527	-
0.2575	8700	0.0065	-
0.2590	8750	0.0051	-
0.2605	8800	0.0179	-
0.2620	8850	0.0332	-
0.2635	8900	0.0625	-
0.2649	8950	0.1035	-
0.2664	9000	0.129	-
0.2679	9050	0.0988	-
0.2694	9100	0.0035	-
0.2709	9150	0.0045	-
0.2724	9200	0.0277	-
0.2738	9250	0.0291	-
0.2753	9300	0.0307	-
0.2768	9350	0.0844	-
0.2783	9400	0.0036	-
0.2798	9450	0.0807	-
0.2812	9500	0.0619	-
0.2827	9550	0.0675	-
0.2842	9600	0.0008	-
0.2857	9650	0.0134	-
0.2872	9700	0.0027	-
0.2886	9750	0.0009	-
0.2901	9800	0.0119	-
0.2916	9850	0.0165	-
0.2931	9900	0.0242	-
0.2946	9950	0.1022	-
0.2960	10000	0.0288	-
0.2975	10050	0.0016	-
0.2990	10100	0.0027	-
0.3005	10150	0.0237	-
0.3020	10200	0.0014	-
0.3034	10250	0.0129	-
0.3049	10300	0.0023	-
0.3064	10350	0.0038	-
0.3079	10400	0.0005	-
0.3094	10450	0.0448	-
0.3108	10500	0.0334	-
0.3123	10550	0.1215	-
0.3138	10600	0.0021	-
0.3153	10650	0.0433	-
0.3168	10700	0.0106	-
0.3182	10750	0.0574	-
0.3197	10800	0.0421	-
0.3212	10850	0.0676	-
0.3227	10900	0.0358	-
0.3242	10950	0.1207	-
0.3256	11000	0.0154	-
0.3271	11050	0.0078	-
0.3286	11100	0.0475	-
0.3301	11150	0.0697	-
0.3316	11200	0.0016	-
0.3330	11250	0.012	-
0.3345	11300	0.0252	-
0.3360	11350	0.003	-
0.3375	11400	0.0323	-
0.3390	11450	0.0782	-
0.3404	11500	0.0661	-
0.3419	11550	0.0473	-
0.3434	11600	0.1388	-
0.3449	11650	0.0092	-
0.3464	11700	0.0055	-
0.3478	11750	0.0636	-
0.3493	11800	0.0301	-
0.3508	11850	0.02	-
0.3523	11900	0.091	-
0.3538	11950	0.0645	-
0.3552	12000	0.0131	-
0.3567	12050	0.0302	-
0.3582	12100	0.0434	-
0.3597	12150	0.0007	-
0.3612	12200	0.0195	-
0.3626	12250	0.0779	-
0.3641	12300	0.0794	-
0.3656	12350	0.0586	-
0.3671	12400	0.0966	-
0.3686	12450	0.0289	-
0.3700	12500	0.0014	-
0.3715	12550	0.0008	-
0.3730	12600	0.0174	-
0.3745	12650	0.0151	-
0.3760	12700	0.0223	-
0.3774	12750	0.0034	-
0.3789	12800	0.0621	-
0.3804	12850	0.0585	-
0.3819	12900	0.1385	-
0.3834	12950	0.1086	-
0.3848	13000	0.0005	-
0.3863	13050	0.0178	-
0.3878	13100	0.1447	-
0.3893	13150	0.1267	-
0.3908	13200	0.0823	-
0.3922	13250	0.0223	-
0.3937	13300	0.0029	-
0.3952	13350	0.0273	-
0.3967	13400	0.0807	-
0.3982	13450	0.0042	-
0.3996	13500	0.0023	-
0.4011	13550	0.0528	-
0.4026	13600	0.0013	-
0.4041	13650	0.0413	-
0.4056	13700	0.1404	-
0.4070	13750	0.1508	-
0.4085	13800	0.0214	-
0.4100	13850	0.0737	-
0.4115	13900	0.0962	-
0.4130	13950	0.0536	-
0.4144	14000	0.0075	-
0.4159	14050	0.0401	-
0.4174	14100	0.0268	-
0.4189	14150	0.0104	-
0.4204	14200	0.0066	-
0.4218	14250	0.006	-
0.4233	14300	0.0053	-
0.4248	14350	0.0367	-
0.4263	14400	0.0041	-
0.4278	14450	0.0245	-
0.4292	14500	0.0351	-
0.4307	14550	0.0794	-
0.4322	14600	0.0771	-
0.4337	14650	0.0172	-
0.4352	14700	0.0137	-
0.4366	14750	0.044	-
0.4381	14800	0.0042	-
0.4396	14850	0.0554	-
0.4411	14900	0.0794	-
0.4426	14950	0.0404	-
0.4440	15000	0.0461	-
0.4455	15050	0.0176	-
0.4470	15100	0.0973	-
0.4485	15150	0.0034	-
0.4500	15200	0.0056	-
0.4515	15250	0.039	-
0.4529	15300	0.0136	-
0.4544	15350	0.0292	-
0.4559	15400	0.0023	-
0.4574	15450	0.0709	-
0.4589	15500	0.1226	-
0.4603	15550	0.0847	-
0.4618	15600	0.1088	-
0.4633	15650	0.0605	-
0.4648	15700	0.0151	-
0.4663	15750	0.0475	-
0.4677	15800	0.0173	-
0.4692	15850	0.0085	-
0.4707	15900	0.0491	-
0.4722	15950	0.0349	-
0.4737	16000	0.0571	-
0.4751	16050	0.0867	-
0.4766	16100	0.0138	-
0.4781	16150	0.015	-
0.4796	16200	0.0556	-
0.4811	16250	0.0149	-
0.4825	16300	0.0598	-
0.4840	16350	0.0032	-
0.4855	16400	0.0006	-
0.4870	16450	0.0479	-
0.4885	16500	0.0491	-
0.4899	16550	0.1069	-
0.4914	16600	0.0164	-
0.4929	16650	0.013	-
0.4944	16700	0.0123	-
0.4959	16750	0.0151	-
0.4973	16800	0.0014	-
0.4988	16850	0.0028	-
0.5003	16900	0.0108	-
0.5018	16950	0.0023	-
0.5033	17000	0.0495	-
0.5047	17050	0.0171	-
0.5062	17100	0.0014	-
0.5077	17150	0.1108	-
0.5092	17200	0.0309	-
0.5107	17250	0.0085	-
0.5121	17300	0.1128	-
0.5136	17350	0.0548	-
0.5151	17400	0.034	-
0.5166	17450	0.0788	-
0.5181	17500	0.072	-
0.5195	17550	0.0498	-
0.5210	17600	0.0109	-
0.5225	17650	0.0738	-
0.5240	17700	0.021	-
0.5255	17750	0.0364	-
0.5269	17800	0.0611	-
0.5284	17850	0.0138	-
0.5299	17900	0.0109	-
0.5314	17950	0.0572	-
0.5329	18000	0.0095	-
0.5343	18050	0.0501	-
0.5358	18100	0.0546	-
0.5373	18150	0.0446	-
0.5388	18200	0.0645	-
0.5403	18250	0.0107	-
0.5417	18300	0.0069	-
0.5432	18350	0.0235	-
0.5447	18400	0.0014	-
0.5462	18450	0.0337	-
0.5477	18500	0.0142	-
0.5491	18550	0.0142	-
0.5506	18600	0.0503	-
0.5521	18650	0.0015	-
0.5536	18700	0.0242	-
0.5551	18750	0.0007	-
0.5565	18800	0.0529	-
0.5580	18850	0.0313	-
0.5595	18900	0.0886	-
0.5610	18950	0.0335	-
0.5625	19000	0.0311	-
0.5639	19050	0.0105	-
0.5654	19100	0.0116	-
0.5669	19150	0.0559	-
0.5684	19200	0.0945	-
0.5699	19250	0.0826	-
0.5713	19300	0.0266	-
0.5728	19350	0.0769	-
0.5743	19400	0.0912	-
0.5758	19450	0.0641	-
0.5773	19500	0.0541	-
0.5787	19550	0.0769	-
0.5802	19600	0.0411	-
0.5817	19650	0.115	-
0.5832	19700	0.0819	-
0.5847	19750	0.071	-
0.5861	19800	0.0066	-
0.5876	19850	0.0659	-
0.5891	19900	0.07	-
0.5906	19950	0.0607	-
0.5921	20000	0.0474	-
0.5935	20050	0.016	-
0.5950	20100	0.0122	-
0.5965	20150	0.0333	-
0.5980	20200	0.0155	-
0.5995	20250	0.0005	-
0.6009	20300	0.015	-
0.6024	20350	0.0014	-
0.6039	20400	0.0459	-
0.6054	20450	0.0808	-
0.6069	20500	0.1034	-
0.6083	20550	0.0846	-
0.6098	20600	0.071	-
0.6113	20650	0.0486	-
0.6128	20700	0.022	-
0.6143	20750	0.0016	-
0.6157	20800	0.0666	-
0.6172	20850	0.0461	-
0.6187	20900	0.022	-
0.6202	20950	0.0449	-
0.6217	21000	0.0844	-
0.6231	21050	0.0888	-
0.6246	21100	0.0219	-
0.6261	21150	0.0005	-
0.6276	21200	0.025	-
0.6291	21250	0.1285	-
0.6306	21300	0.0224	-
0.6320	21350	0.0444	-
0.6335	21400	0.0133	-
0.6350	21450	0.0317	-
0.6365	21500	0.0457	-
0.6380	21550	0.0997	-
0.6394	21600	0.0689	-
0.6409	21650	0.0275	-
0.6424	21700	0.014	-
0.6439	21750	0.0304	-
0.6454	21800	0.072	-
0.6468	21850	0.0556	-
0.6483	21900	0.0902	-
0.6498	21950	0.0153	-
0.6513	22000	0.0759	-
0.6528	22050	0.0905	-
0.6542	22100	0.1058	-
0.6557	22150	0.0524	-
0.6572	22200	0.0711	-
0.6587	22250	0.0201	-
0.6602	22300	0.0367	-
0.6616	22350	0.0513	-
0.6631	22400	0.0187	-
0.6646	22450	0.027	-
0.6661	22500	0.0643	-
0.6676	22550	0.0334	-
0.6690	22600	0.023	-
0.6705	22650	0.1438	-
0.6720	22700	0.0051	-
0.6735	22750	0.0335	-
0.6750	22800	0.0879	-
0.6764	22850	0.003	-
0.6779	22900	0.0061	-
0.6794	22950	0.104	-
0.6809	23000	0.0575	-
0.6824	23050	0.0009	-
0.6838	23100	0.001	-
0.6853	23150	0.01	-
0.6868	23200	0.0018	-
0.6883	23250	0.036	-
0.6898	23300	0.0011	-
0.6912	23350	0.0033	-
0.6927	23400	0.117	-
0.6942	23450	0.0177	-
0.6957	23500	0.0547	-
0.6972	23550	0.061	-
0.6986	23600	0.06	-
0.7001	23650	0.0259	-
0.7016	23700	0.1325	-
0.7031	23750	0.0298	-
0.7046	23800	0.0046	-
0.7060	23850	0.0129	-
0.7075	23900	0.0085	-
0.7090	23950	0.015	-
0.7105	24000	0.0205	-
0.7120	24050	0.0135	-
0.7134	24100	0.0408	-
0.7149	24150	0.0014	-
0.7164	24200	0.0305	-
0.7179	24250	0.0241	-
0.7194	24300	0.0621	-
0.7208	24350	0.0014	-
0.7223	24400	0.0522	-
0.7238	24450	0.1001	-
0.7253	24500	0.0007	-
0.7268	24550	0.0045	-
0.7282	24600	0.0282	-
0.7297	24650	0.022	-
0.7312	24700	0.107	-
0.7327	24750	0.0363	-
0.7342	24800	0.0943	-
0.7356	24850	0.0015	-
0.7371	24900	0.0266	-
0.7386	24950	0.0113	-
0.7401	25000	0.0283	-
0.7416	25050	0.1304	-
0.7430	25100	0.0199	-
0.7445	25150	0.0014	-
0.7460	25200	0.0594	-
0.7475	25250	0.1188	-
0.7490	25300	0.0325	-
0.7504	25350	0.0715	-
0.7519	25400	0.0352	-
0.7534	25450	0.0165	-
0.7549	25500	0.0025	-
0.7564	25550	0.0017	-
0.7578	25600	0.0584	-
0.7593	25650	0.0251	-
0.7608	25700	0.0155	-
0.7623	25750	0.0304	-
0.7638	25800	0.0461	-
0.7652	25850	0.0347	-
0.7667	25900	0.1044	-
0.7682	25950	0.0174	-
0.7697	26000	0.0077	-
0.7712	26050	0.0264	-
0.7726	26100	0.0437	-
0.7741	26150	0.053	-
0.7756	26200	0.0721	-
0.7771	26250	0.0278	-
0.7786	26300	0.0107	-
0.7800	26350	0.0237	-
0.7815	26400	0.035	-
0.7830	26450	0.0322	-
0.7845	26500	0.0641	-
0.7860	26550	0.0219	-
0.7874	26600	0.0256	-
0.7889	26650	0.0559	-
0.7904	26700	0.0463	-
0.7919	26750	0.0992	-
0.7934	26800	0.062	-
0.7948	26850	0.0038	-
0.7963	26900	0.0521	-
0.7978	26950	0.011	-
0.7993	27000	0.0109	-
0.8008	27050	0.0483	-
0.8022	27100	0.0379	-
0.8037	27150	0.0231	-
0.8052	27200	0.0888	-
0.8067	27250	0.0197	-
0.8082	27300	0.0003	-
0.8097	27350	0.0157	-
0.8111	27400	0.0192	-
0.8126	27450	0.0802	-
0.8141	27500	0.0407	-
0.8156	27550	0.0351	-
0.8171	27600	0.001	-
0.8185	27650	0.0007	-
0.8200	27700	0.021	-
0.8215	27750	0.0548	-
0.8230	27800	0.0442	-
0.8245	27850	0.0561	-
0.8259	27900	0.0181	-
0.8274	27950	0.0669	-
0.8289	28000	0.016	-
0.8304	28050	0.0817	-
0.8319	28100	0.0221	-
0.8333	28150	0.0014	-
0.8348	28200	0.0195	-
0.8363	28250	0.0735	-
0.8378	28300	0.002	-
0.8393	28350	0.0269	-
0.8407	28400	0.0365	-
0.8422	28450	0.0825	-
0.8437	28500	0.0382	-
0.8452	28550	0.0144	-
0.8467	28600	0.0529	-
0.8481	28650	0.0042	-
0.8496	28700	0.0532	-
0.8511	28750	0.0195	-
0.8526	28800	0.018	-
0.8541	28850	0.005	-
0.8555	28900	0.0694	-
0.8570	28950	0.0006	-
0.8585	29000	0.0169	-
0.8600	29050	0.0188	-
0.8615	29100	0.0002	-
0.8629	29150	0.0246	-
0.8644	29200	0.001	-
0.8659	29250	0.0017	-
0.8674	29300	0.0169	-
0.8689	29350	0.0621	-
0.8703	29400	0.0017	-
0.8718	29450	0.0008	-
0.8733	29500	0.0086	-
0.8748	29550	0.0214	-
0.8763	29600	0.0495	-
0.8777	29650	0.0864	-
0.8792	29700	0.0844	-
0.8807	29750	0.0738	-
0.8822	29800	0.0007	-
0.8837	29850	0.0408	-
0.8851	29900	0.0025	-
0.8866	29950	0.0313	-
0.8881	30000	0.0178	-
0.8896	30050	0.0123	-
0.8911	30100	0.0001	-
0.8925	30150	0.0031	-
0.8940	30200	0.0035	-
0.8955	30250	0.0278	-
0.8970	30300	0.034	-
0.8985	30350	0.0255	-
0.8999	30400	0.0012	-
0.9014	30450	0.0756	-
0.9029	30500	0.0813	-
0.9044	30550	0.0024	-
0.9059	30600	0.1491	-
0.9073	30650	0.0009	-
0.9088	30700	0.0299	-
0.9103	30750	0.0226	-
0.9118	30800	0.0198	-
0.9133	30850	0.0019	-
0.9147	30900	0.0406	-
0.9162	30950	0.0168	-
0.9177	31000	0.0409	-
0.9192	31050	0.0016	-
0.9207	31100	0.0172	-
0.9221	31150	0.0131	-
0.9236	31200	0.1433	-
0.9251	31250	0.0316	-
0.9266	31300	0.0774	-
0.9281	31350	0.1256	-
0.9295	31400	0.0257	-
0.9310	31450	0.2166	-
0.9325	31500	0.0023	-
0.9340	31550	0.0261	-
0.9355	31600	0.0143	-
0.9369	31650	0.0005	-
0.9384	31700	0.0522	-
0.9399	31750	0.024	-
0.9414	31800	0.0353	-
0.9429	31850	0.0022	-
0.9443	31900	0.0006	-
0.9458	31950	0.0321	-
0.9473	32000	0.0879	-
0.9488	32050	0.0007	-
0.9503	32100	0.003	-
0.9517	32150	0.0295	-
0.9532	32200	0.0817	-
0.9547	32250	0.0345	-
0.9562	32300	0.0004	-
0.9577	32350	0.0112	-
0.9591	32400	0.0284	-
0.9606	32450	0.0654	-
0.9621	32500	0.036	-
0.9636	32550	0.0181	-
0.9651	32600	0.0374	-
0.9665	32650	0.0022	-
0.9680	32700	0.0706	-
0.9695	32750	0.0009	-
0.9710	32800	0.0077	-
0.9725	32850	0.0016	-
0.9739	32900	0.0586	-
0.9754	32950	0.0134	-
0.9769	33000	0.0108	-
0.9784	33050	0.0839	-
0.9799	33100	0.0032	-
0.9813	33150	0.0152	-
0.9828	33200	0.049	-
0.9843	33250	0.038	-
0.9858	33300	0.0302	-
0.9873	33350	0.0193	-
0.9888	33400	0.0291	-
0.9902	33450	0.0083	-
0.9917	33500	0.0014	-
0.9932	33550	0.0223	-
0.9947	33600	0.0154	-
0.9962	33650	0.0788	-
0.9976	33700	0.0567	-
0.9991	33750	0.0207	-

Framework Versions

• Python: 3.11.0
• SetFit: 1.0.3
• Sentence Transformers: 2.3.0
• Transformers: 4.37.2
• PyTorch: 2.2.1+cu121
• Datasets: 2.16.1
• Tokenizers: 0.15.1

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}
}