You can deploy this model and start earning money today!

akhooli/
setfit_ar_sst2

Name: setfit_ar_sst2
Availability: InStock

setfit

safetensors

bert

sentence-transformers

text-classification

generated_from_setfit_trainer

2209.11055

akhooli/sbert_ar_nli_500k_norm

finetune

model-index

Views

No views yet

SetFit with akhooli/sbert_ar_nli_500k_norm

This is a SetFit model that can be used for Text Classification. This SetFit model uses akhooli/sbert_ar_nli_500k_norm as the Sentence Transformer embedding model. A LogisticRegression instance is used for classification. Normalize the text before classifying as the model uses normalized text. Here's how to use the model:

python

pip install setfit
from setfit import SetFitModel
from unicodedata import normalize

# Download model from Hub
model = SetFitModel.from_pretrained("akhooli/setfit_ar_sst2")
# Run inference
queries = [
        "يغلي الماء عند 100 درجة مئوية",
        "فعلا لقد أحببت ذلك الفيلم",
        "🤮 اﻷناناس مع البيتزا؟ إنه غير محبذ",
    "رأيت أناسا بائسين في الطريق",
    "لم يعجبني المطعم رغم أن السعر مقبول",  
    "من باب جبر الخاطر هذه 3 نجوم لتقييم الخدمة",
    "من باب جبر الخواطر، هذه نجمة واحدة لخدمة ﻻ تستحق"
    ]
queries_n = [normalize('NFKC', query) for query in queries]
preds = model.predict(queries_n)
print(preds)
# if you want to see the probabilities for each label
probas = model.predict_proba(queries_n)
print(probas)

The rest of this card is auto-generated.

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: akhooli/sbert_ar_nli_500k_norm
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

negative

'إنه أمر رصاصي ويمكن التنبؤ به، ويفتقر إلى الضحك. '
'لا يعرف مايرز أبدًا متى يترك الكمامة تموت؛ وهكذا، فإننا نتعرض لنكات طويلة ومذهلة حول البراز والتبول تلو الأخرى. '
'غزل رعب ملحمي مبتذل ومبتذل ينتهي به الأمر إلى أن يكون أكثر غباءً من عنوانه. '

positive

'أوصي بشدة أن يشاهد الجميع هذا الفيلم، لأهميته التاريخية وحدها. '
'المخرج كابور هو مخرج أفلام يتمتع بميل حقيقي للمناظر الطبيعية والمغامرات الملحمية، وهذا فيلم أفضل من فيلمه السابق باللغة الإنجليزية، إليزابيث الذي نال الثناء. '
'فيلم نوير صغير غير تقليدي، قصة جريمة منظمة تتضمن واحدة من أغرب قصص الحب التي يمكن أن تراها على الإطلاق. '

Evaluation

Metrics

Label	Accuracy
all	0.8784

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("akhooli/setfit")
# Run inference
preds = model("لقد تم إنجازه من قبل ولكن لم يكن بهذه الوضوح أو بهذا القدر من الشغف. ")

Training Details

Training Set Metrics

Training set	Min	Median	Max
Word count	2	16.2702	52

Label	Training Sample Count
negative	2500
positive	2500

Training Hyperparameters

batch_size: (64, 64)
num_epochs: (1, 1)
max_steps: 5000
sampling_strategy: undersampling
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
l2_weight: 0.01
seed: 42
run_name: setfit_sst2_5k
eval_max_steps: -1
load_best_model_at_end: False

Training Results

Epoch	Step	Training Loss	Validation Loss
0.0004	1	0.3009	-
0.04	100	0.2802	-
0.08	200	0.2312	-
0.12	300	0.1462	-
0.16	400	0.0838	-
0.2	500	0.0463	-
0.24	600	0.033	-
0.28	700	0.0206	-
0.32	800	0.0195	-
0.36	900	0.0174	-
0.4	1000	0.013	-
0.44	1100	0.0113	-
0.48	1200	0.0095	-
0.52	1300	0.0088	-
0.56	1400	0.0075	-
0.6	1500	0.0083	-
0.64	1600	0.0061	-
0.68	1700	0.0071	-
0.72	1800	0.0069	-
0.76	1900	0.0054	-
0.8	2000	0.007	-
0.84	2100	0.006	-
0.88	2200	0.0051	-
0.92	2300	0.0046	-
0.96	2400	0.0041	-
1.0	2500	0.0056	-
1.04	2600	0.0054	-
1.08	2700	0.0058	-
1.12	2800	0.0043	-
1.16	2900	0.0048	-
1.2	3000	0.004	-
1.24	3100	0.0036	-
1.28	3200	0.0042	-
1.32	3300	0.0041	-
1.3600	3400	0.004	-
1.4	3500	0.0029	-
1.44	3600	0.0047	-
1.48	3700	0.0041	-
1.52	3800	0.0026	-
1.56	3900	0.0029	-
1.6	4000	0.0027	-
1.6400	4100	0.0027	-
1.6800	4200	0.0033	-
1.72	4300	0.0031	-
1.76	4400	0.003	-
1.8	4500	0.0024	-
1.8400	4600	0.0028	-
1.88	4700	0.002	-
1.92	4800	0.0017	-
1.96	4900	0.0023	-
2.0	5000	0.0014	-

Framework Versions

Python: 3.10.14
SetFit: 1.2.0.dev0
Sentence Transformers: 3.1.1
Transformers: 4.45.1
PyTorch: 2.4.0
Datasets: 3.0.1
Tokenizers: 0.20.0

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}
}