my-setfit-model / README.md
spaly99's picture
Add SetFit model
c8e4fef verified
metadata
library_name: setfit
tags:
  - setfit
  - sentence-transformers
  - text-classification
  - generated_from_setfit_trainer
metrics:
  - accuracy
widget:
  - text: Intel Pentium 3556U (Mobile) 1.70 GHz
  - text: Sign in
  - text: Discover the mountains
  - text: |2-

                          Other services
                      
  - text: Iceland
pipeline_tag: text-classification
inference: true
base_model: sentence-transformers/paraphrase-mpnet-base-v2
model-index:
  - name: SetFit with sentence-transformers/paraphrase-mpnet-base-v2
    results:
      - task:
          type: text-classification
          name: Text Classification
        dataset:
          name: Unknown
          type: unknown
          split: test
        metrics:
          - type: accuracy
            value: 0.9034931912374186
            name: Accuracy

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 Sources

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}
}