You can deploy this model and start earning money today!

WeksteinEyal/
setfit-model

Name: setfit-model
Availability: InStock

setfit

safetensors

mpnet

sentence-transformers

text-classification

generated_from_setfit_trainer

2209.11055

sentence-transformers/paraphrase-mpnet-base-v2

finetune

Views

No views yet

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:

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: sentence-transformers/paraphrase-mpnet-base-v2
Classification head: a LogisticRegression instance
Maximum Sequence Length: 512 tokens
Number of Classes: 8 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
list_documents	'Quels sont les documents disponibles dans la base?' 'Peux-tu me lister tous les fichiers présents?' 'Montre-moi tous les documents que tu as'
get_section	'Peux-tu extraire la section 3 du document X?' "J'ai besoin du chapitre 2 du fichier Y" "Donne-moi la partie sur l'introduction du document Z"
translate_summarize	'Traduis cette section en anglais' 'Peux-tu résumer ce passage en français?' 'Fais-moi une traduction en allemand de cette partie'
modify_data	'Ajoute cette information à la base de données' "Modifie l'entrée pour qu'elle inclue cette donnée" "Peux-tu mettre à jour l'enregistrement existant?"
send_email	'Envoie cet email à Paul' 'Peux-tu rédiger un email pour moi?' 'Transmets ce message à mon collègue'
generate_document	'Crée un document Word avec cette réponse' 'Génère un fichier PDF avec ces informations' 'Peux-tu produire un PowerPoint avec ce contenu?'
book_ticket	'Réserve-moi un billet de train pour Paris' "Je veux acheter un billet d'avion pour Berlin" 'Peux-tu réserver une place pour le bus de demain?'
out_of_scope	"Quelle est la météo aujourd'hui?" 'Combien coûte un iPhone 14?' 'Qui a gagné la coupe du monde 2018?'

Uses

Direct Use for Inference

First install the SetFit library:

pip install setfit

Then you can load this model and run inference.

python

from setfit import SetFitModel

# Download from the 🤗 Hub
model = SetFitModel.from_pretrained("weksteineyal/setfit-model")
# Run inference
preds = model("Qui a gagné la coupe du monde 2018?")

Training Details

Training Set Metrics

Training set	Min	Median	Max
Word count	4	6.8077	9

Label	Training Sample Count
book_ticket	3
generate_document	3
get_section	3
list_documents	3
modify_data	3
out_of_scope	5
send_email	3
translate_summarize	3

Training Hyperparameters

batch_size: (8, 8)
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
l2_weight: 0.01
seed: 42
eval_max_steps: -1
load_best_model_at_end: False

Training Results

Epoch	Step	Training Loss	Validation Loss
0.0077	1	0.2123	-
0.3846	50	0.1423	-
0.7692	100	0.0488	-

Framework Versions

Python: 3.11.7
SetFit: 1.1.1
Sentence Transformers: 3.4.1
Transformers: 4.49.0
PyTorch: 2.6.0+cpu
Datasets: 3.3.2
Tokenizers: 0.21.0

Citation

BibTeX

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}
}

WeksteinEyal/setfit-model