You can deploy this model and start earning money today!

firqaaa/
indo-setfit-bert-base-p2

Name: indo-setfit-bert-base-p2
Availability: InStock

setfit

safetensors

bert

sentence-transformers

text-classification

generated_from_setfit_trainer

2209.11055

firqaaa/indo-sentence-bert-base

finetune

model-index

Views

No views yet

SetFit with firqaaa/indo-sentence-bert-base

This is a SetFit model that can be used for Text Classification. This SetFit model uses firqaaa/indo-sentence-bert-base 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: firqaaa/indo-sentence-bert-base
Classification head: a LogisticRegression instance
Maximum Sequence Length: 512 tokens
Number of Classes: 5 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
negatif	'orang aneh berkaki delapan tidak akan bergabung dengan jajaran film monster\/fiksi ilmiah hebat yang kita sukai ...' "Terlepas dari latar Hawaii, hiasan fiksi ilmiah, dan beberapa momen slapstick yang gaduh, plot dasar `` lilo '' bisa saja diambil dari naskah kuno Shirley Temple yang berlumuran air mata." 'ini adalah film yang sangat tidak aman dalam kemampuannya untuk menggairahkan sehingga menghasilkan bukan hanya satu tapi dua badai petir palsu untuk menggarisbawahi aksinya.'
positif	'plot dari comeback curlers sebenarnya tidak terlalu menarik, tapi yang aku suka dari pria dengan sapu dan yang spesial adalah bagaimana filmnya mengetahui apa yang unik dan nyentrik dari orang Kanada.' 'sebuah studi psikologis yang dingin, merenung, namun bergema secara diam-diam mengenai ketegangan dan ketidakbahagiaan dalam rumah tangga.' 'seperti yang biasa mereka katakan di film-film fiksi ilmiah tahun 1950-an, tanda-tanda adalah penghormatan terhadap hadiah Shyamalan, yang sedemikian rupa sehingga kita akan terus mengawasi langit untuk proyek berikutnya.'
sangat negatif	"benar-benar transparan adalah serangan tanpa henti dari naskah tersebut berupa lelucon-lelucon seks memalukan yang berbau penulisan ulang naskah yang dirancang untuk membuat film tersebut mendapat peringkat `` lebih keren '' pg-13." 'bagaikan latihan improvisasi yang buruk, karakter-karakter yang ditulis secara dangkal mengoceh dengan membosankan tentang kehidupan, cinta, dan seni yang sedang mereka perjuangkan untuk ciptakan.' 'dari semua Halloween, ini yang paling tidak menarik secara visual.'
netral	'film ini tidak menghormati hukum, kebenaran politik, atau kesopanan umum, namun menampilkan sesuatu yang lebih penting: rasa hormat terhadap orang-orang yang cacat dan gila.' 'tertahan oleh kekhidmatannya sendiri.' 'lebih banyak pertunjukan vaudeville daripada narasi yang dibangun dengan baik, namun dalam hal ini tidak menyinggung dan sebenarnya agak manis.'
sangat positif	'hawn dan sarandon membentuk ikatan akting yang menjadikan banger bersaudara studi karakter yang menarik sambil tertawa.' 'isabelle huppert unggul sebagai mika yang penuh teka-teki dan anna mouglais adalah bakat muda baru yang menakjubkan dalam salah satu misteri psikologis chabrol yang paling intens.' 'williams menciptakan gambaran menakjubkan seperti sopir taksi tentang seorang pria yang tertatih-tatih di ambang kewarasan.'

Evaluation

Metrics

Label	Accuracy
all	0.4249

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("firqaaa/indo-setfit-bert-base-p2")
# Run inference
preds = model("itu curang.")

Training Details

Training Set Metrics

Training set	Min	Median	Max
Word count	1	15.7676	46

Label	Training Sample Count
sangat negatif	500
negatif	500
netral	500
positif	500
sangat positif	500

Training Hyperparameters

batch_size: (128, 128)
num_epochs: (1, 1)
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
0.0000	1	0.3367	-
0.0013	50	0.3139	-
0.0026	100	0.3005	-
0.0038	150	0.2627	-
0.0051	200	0.2701	-
0.0064	250	0.2647	-
0.0077	300	0.2646	-
0.0090	350	0.2494	-
0.0102	400	0.2356	-
0.0115	450	0.2093	-
0.0128	500	0.2187	-
0.0141	550	0.2131	-
0.0154	600	0.2288	-
0.0166	650	0.1996	-
0.0179	700	0.1825	-
0.0192	750	0.1887	-
0.0205	800	0.1809	-
0.0218	850	0.1756	-
0.0230	900	0.155	-
0.0243	950	0.1462	-
0.0256	1000	0.1455	-
0.0269	1050	0.1547	-
0.0282	1100	0.0863	-
0.0294	1150	0.1362	-
0.0307	1200	0.1096	-
0.0320	1250	0.0898	-
0.0333	1300	0.1202	-
0.0346	1350	0.0916	-
0.0358	1400	0.0918	-
0.0371	1450	0.1022	-
0.0384	1500	0.0518	-
0.0397	1550	0.0587	-
0.0410	1600	0.0526	-
0.0422	1650	0.0461	-
0.0435	1700	0.0617	-
0.0448	1750	0.0426	-
0.0461	1800	0.0347	-
0.0474	1850	0.0255	-
0.0486	1900	0.0349	-
0.0499	1950	0.0121	-
0.0512	2000	0.0164	-
0.0525	2050	0.0077	-
0.0538	2100	0.0084	-
0.0550	2150	0.006	-
0.0563	2200	0.0143	-
0.0576	2250	0.0123	-
0.0589	2300	0.0154	-
0.0602	2350	0.0108	-
0.0614	2400	0.0041	-
0.0627	2450	0.0048	-
0.0640	2500	0.0103	-
0.0653	2550	0.0099	-
0.0666	2600	0.026	-
0.0678	2650	0.0095	-
0.0691	2700	0.0091	-
0.0704	2750	0.0041	-
0.0717	2800	0.005	-
0.0730	2850	0.0024	-
0.0742	2900	0.0013	-
0.0755	2950	0.0067	-
0.0768	3000	0.0009	-
0.0781	3050	0.0042	-
0.0794	3100	0.0039	-
0.0806	3150	0.0023	-
0.0819	3200	0.0032	-
0.0832	3250	0.0071	-
0.0845	3300	0.013	-
0.0858	3350	0.015	-
0.0870	3400	0.0013	-
0.0883	3450	0.0012	-
0.0896	3500	0.0017	-
0.0909	3550	0.002	-
0.0922	3600	0.0247	-
0.0934	3650	0.0044	-
0.0947	3700	0.0004	-
0.0960	3750	0.0031	-
0.0973	3800	0.0235	-
0.0986	3850	0.0017	-
0.0998	3900	0.001	-
0.1011	3950	0.0065	-
0.1024	4000	0.0043	-
0.1037	4050	0.0051	-
0.1050	4100	0.0009	-
0.1062	4150	0.0006	-
0.1075	4200	0.0081	-
0.1088	4250	0.0005	-
0.1101	4300	0.0155	-
0.1114	4350	0.0091	-
0.1126	4400	0.0187	-
0.1139	4450	0.0011	-
0.1152	4500	0.0037	-
0.1165	4550	0.0033	-
0.1178	4600	0.0006	-
0.1190	4650	0.0024	-
0.1203	4700	0.0008	-
0.1216	4750	0.0007	-
0.1229	4800	0.0012	-
0.1242	4850	0.0113	-
0.1254	4900	0.0004	-
0.1267	4950	0.0059	-
0.1280	5000	0.0004	-
0.1293	5050	0.001	-
0.1306	5100	0.0001	-
0.1318	5150	0.002	-
0.1331	5200	0.0006	-
0.1344	5250	0.0007	-
0.1357	5300	0.0026	-
0.1370	5350	0.0079	-
0.1382	5400	0.001	-
0.1395	5450	0.0065	-
0.1408	5500	0.0009	-
0.1421	5550	0.0008	-
0.1434	5600	0.0003	-
0.1446	5650	0.0002	-
0.1459	5700	0.0001	-
0.1472	5750	0.0027	-
0.1485	5800	0.0002	-
0.1498	5850	0.0002	-
0.1510	5900	0.0003	-
0.1523	5950	0.0001	-
0.1536	6000	0.0061	-
0.1549	6050	0.0066	-
0.1562	6100	0.0015	-
0.1574	6150	0.016	-
0.1587	6200	0.0009	-
0.1600	6250	0.0062	-
0.1613	6300	0.0002	-
0.1626	6350	0.0002	-
0.1638	6400	0.0002	-
0.1651	6450	0.0153	-
0.1664	6500	0.0031	-
0.1677	6550	0.0003	-
0.1690	6600	0.0009	-
0.1702	6650	0.0043	-
0.1715	6700	0.0007	-
0.1728	6750	0.0002	-
0.1741	6800	0.0001	-
0.1754	6850	0.0003	-
0.1766	6900	0.0013	-
0.1779	6950	0.0003	-
0.1792	7000	0.0002	-
0.1805	7050	0.0001	-
0.1818	7100	0.0001	-
0.1830	7150	0.0001	-
0.1843	7200	0.0001	-
0.1856	7250	0.0003	-
0.1869	7300	0.0001	-
0.1882	7350	0.0002	-
0.1894	7400	0.0012	-
0.1907	7450	0.0001	-
0.1920	7500	0.0002	-
0.1933	7550	0.0002	-
0.1946	7600	0.0003	-
0.1958	7650	0.0014	-
0.1971	7700	0.0093	-
0.1984	7750	0.0001	-
0.1997	7800	0.0005	-
0.2010	7850	0.0001	-
0.2022	7900	0.0001	-
0.2035	7950	0.0058	-
0.2048	8000	0.0002	-
0.2061	8050	0.0001	-
0.2074	8100	0.0002	-
0.2086	8150	0.0003	-
0.2099	8200	0.0003	-
0.2112	8250	0.0068	-
0.2125	8300	0.0004	-
0.2138	8350	0.0002	-
0.2150	8400	0.0001	-
0.2163	8450	0.0002	-
0.2176	8500	0.0001	-
0.2189	8550	0.0002	-
0.2202	8600	0.0001	-
0.2214	8650	0.0001	-
0.2227	8700	0.0001	-
0.2240	8750	0.0001	-
0.2253	8800	0.0001	-
0.2266	8850	0.0006	-
0.2278	8900	0.0	-
0.2291	8950	0.0	-
0.2304	9000	0.0001	-
0.2317	9050	0.0	-
0.2330	9100	0.0001	-
0.2342	9150	0.0	-
0.2355	9200	0.0001	-
0.2368	9250	0.0	-
0.2381	9300	0.0001	-
0.2394	9350	0.0001	-
0.2406	9400	0.0	-
0.2419	9450	0.0	-
0.2432	9500	0.0001	-
0.2445	9550	0.0	-
0.2458	9600	0.0001	-
0.2470	9650	0.0001	-
0.2483	9700	0.003	-
0.2496	9750	0.0077	-
0.2509	9800	0.0099	-
0.2522	9850	0.0223	-
0.2534	9900	0.0002	-
0.2547	9950	0.0001	-
0.2560	10000	0.003	-
0.2573	10050	0.0118	-
0.2586	10100	0.0002	-
0.2598	10150	0.0022	-
0.2611	10200	0.0001	-
0.2624	10250	0.0077	-
0.2637	10300	0.0003	-
0.2650	10350	0.0	-
0.2662	10400	0.0074	-
0.2675	10450	0.0072	-
0.2688	10500	0.0001	-
0.2701	10550	0.008	-
0.2714	10600	0.0001	-
0.2726	10650	0.0001	-
0.2739	10700	0.0	-
0.2752	10750	0.0001	-
0.2765	10800	0.0074	-
0.2778	10850	0.0001	-
0.2790	10900	0.0001	-
0.2803	10950	0.0003	-
0.2816	11000	0.0004	-
0.2829	11050	0.0078	-
0.2842	11100	0.0	-
0.2854	11150	0.0001	-
0.2867	11200	0.0001	-
0.2880	11250	0.0001	-
0.2893	11300	0.0	-
0.2906	11350	0.0001	-
0.2918	11400	0.0001	-
0.2931	11450	0.0004	-
0.2944	11500	0.0002	-
0.2957	11550	0.0	-
0.2970	11600	0.0	-
0.2982	11650	0.0078	-
0.2995	11700	0.0	-
0.3008	11750	0.0005	-
0.3021	11800	0.0001	-
0.3034	11850	0.0	-
0.3046	11900	0.0	-
0.3059	11950	0.0	-
0.3072	12000	0.0006	-
0.3085	12050	0.0078	-
0.3098	12100	0.0001	-
0.3110	12150	0.0	-
0.3123	12200	0.0	-
0.3136	12250	0.0	-
0.3149	12300	0.0	-
0.3162	12350	0.0	-
0.3174	12400	0.0	-
0.3187	12450	0.0	-
0.3200	12500	0.0	-
0.3213	12550	0.0002	-
0.3226	12600	0.0	-
0.3238	12650	0.0003	-
0.3251	12700	0.0001	-
0.3264	12750	0.0001	-
0.3277	12800	0.0	-
0.3290	12850	0.0001	-
0.3302	12900	0.0001	-
0.3315	12950	0.0001	-
0.3328	13000	0.0	-
0.3341	13050	0.0	-
0.3354	13100	0.0	-
0.3366	13150	0.0	-
0.3379	13200	0.0	-
0.3392	13250	0.0	-
0.3405	13300	0.0	-
0.3418	13350	0.0	-
0.3430	13400	0.0	-
0.3443	13450	0.0	-
0.3456	13500	0.0	-
0.3469	13550	0.0005	-
0.3482	13600	0.0	-
0.3494	13650	0.0	-
0.3507	13700	0.0	-
0.3520	13750	0.0	-
0.3533	13800	0.0011	-
0.3546	13850	0.0001	-
0.3558	13900	0.0079	-
0.3571	13950	0.0001	-
0.3584	14000	0.0	-
0.3597	14050	0.0	-
0.3610	14100	0.0	-
0.3622	14150	0.0	-
0.3635	14200	0.0074	-
0.3648	14250	0.0	-
0.3661	14300	0.0	-
0.3674	14350	0.0001	-
0.3686	14400	0.0	-
0.3699	14450	0.0001	-
0.3712	14500	0.0	-
0.3725	14550	0.0	-
0.3738	14600	0.0	-
0.3750	14650	0.0002	-
0.3763	14700	0.0001	-
0.3776	14750	0.0	-
0.3789	14800	0.0001	-
0.3802	14850	0.0	-
0.3814	14900	0.0001	-
0.3827	14950	0.0	-
0.3840	15000	0.0	-
0.3853	15050	0.0	-
0.3866	15100	0.0	-
0.3878	15150	0.0	-
0.3891	15200	0.0	-
0.3904	15250	0.0	-
0.3917	15300	0.0001	-
0.3930	15350	0.0	-
0.3942	15400	0.0	-
0.3955	15450	0.0	-
0.3968	15500	0.0	-
0.3981	15550	0.0	-
0.3994	15600	0.0	-
0.4006	15650	0.0	-
0.4019	15700	0.0	-
0.4032	15750	0.0001	-
0.4045	15800	0.0	-
0.4058	15850	0.0	-
0.4070	15900	0.0	-
0.4083	15950	0.0	-
0.4096	16000	0.0	-
0.4109	16050	0.0	-
0.4122	16100	0.0	-
0.4134	16150	0.0	-
0.4147	16200	0.0	-
0.4160	16250	0.0003	-
0.4173	16300	0.0	-
0.4186	16350	0.0	-
0.4198	16400	0.0	-
0.4211	16450	0.0	-
0.4224	16500	0.0	-
0.4237	16550	0.0	-
0.4250	16600	0.0	-
0.4262	16650	0.0	-
0.4275	16700	0.0	-
0.4288	16750	0.0	-
0.4301	16800	0.0	-
0.4314	16850	0.0	-
0.4326	16900	0.0	-
0.4339	16950	0.0	-
0.4352	17000	0.0	-
0.4365	17050	0.0	-
0.4378	17100	0.0	-
0.4390	17150	0.0	-
0.4403	17200	0.0	-
0.4416	17250	0.0	-
0.4429	17300	0.0	-
0.4442	17350	0.0	-
0.4454	17400	0.0	-
0.4467	17450	0.0	-
0.4480	17500	0.0016	-
0.4493	17550	0.0	-
0.4506	17600	0.0	-
0.4518	17650	0.0	-
0.4531	17700	0.0	-
0.4544	17750	0.0	-
0.4557	17800	0.0	-
0.4570	17850	0.0	-
0.4582	17900	0.0	-
0.4595	17950	0.0068	-
0.4608	18000	0.0001	-
0.4621	18050	0.0001	-
0.4634	18100	0.0001	-
0.4646	18150	0.0001	-
0.4659	18200	0.0001	-
0.4672	18250	0.0	-
0.4685	18300	0.0	-
0.4698	18350	0.0001	-
0.4710	18400	0.0	-
0.4723	18450	0.0	-
0.4736	18500	0.0	-
0.4749	18550	0.0	-
0.4762	18600	0.0	-
0.4774	18650	0.0	-
0.4787	18700	0.0	-
0.4800	18750	0.0	-
0.4813	18800	0.0	-
0.4826	18850	0.0	-
0.4838	18900	0.0	-
0.4851	18950	0.0	-
0.4864	19000	0.0	-
0.4877	19050	0.0	-
0.4890	19100	0.0	-
0.4902	19150	0.0	-
0.4915	19200	0.0	-
0.4928	19250	0.0	-
0.4941	19300	0.0	-
0.4954	19350	0.0	-
0.4966	19400	0.0	-
0.4979	19450	0.0	-
0.4992	19500	0.0	-
0.5005	19550	0.0	-
0.5018	19600	0.0	-
0.5030	19650	0.0	-
0.5043	19700	0.0	-
0.5056	19750	0.0	-
0.5069	19800	0.0	-
0.5082	19850	0.0	-
0.5094	19900	0.0	-
0.5107	19950	0.0	-
0.5120	20000	0.0	-
0.5133	20050	0.0	-
0.5146	20100	0.0	-
0.5158	20150	0.0	-
0.5171	20200	0.0	-
0.5184	20250	0.0	-
0.5197	20300	0.0	-
0.5210	20350	0.0	-
0.5222	20400	0.0	-
0.5235	20450	0.0	-
0.5248	20500	0.0	-
0.5261	20550	0.0	-
0.5274	20600	0.0	-
0.5286	20650	0.0	-
0.5299	20700	0.0	-
0.5312	20750	0.0	-
0.5325	20800	0.0	-
0.5338	20850	0.0	-
0.5350	20900	0.0	-
0.5363	20950	0.0	-
0.5376	21000	0.0	-
0.5389	21050	0.0	-
0.5402	21100	0.0	-
0.5414	21150	0.0	-
0.5427	21200	0.0	-
0.5440	21250	0.0	-
0.5453	21300	0.0	-
0.5466	21350	0.0	-
0.5478	21400	0.0	-
0.5491	21450	0.0	-
0.5504	21500	0.0	-
0.5517	21550	0.0	-
0.5530	21600	0.0	-
0.5542	21650	0.0	-
0.5555	21700	0.0	-
0.5568	21750	0.0	-
0.5581	21800	0.0	-
0.5594	21850	0.0	-
0.5606	21900	0.0	-
0.5619	21950	0.0	-
0.5632	22000	0.0	-
0.5645	22050	0.0	-
0.5658	22100	0.0	-
0.5670	22150	0.0	-
0.5683	22200	0.0	-
0.5696	22250	0.0	-
0.5709	22300	0.0	-
0.5722	22350	0.0	-
0.5734	22400	0.0	-
0.5747	22450	0.0	-
0.5760	22500	0.0	-
0.5773	22550	0.0	-
0.5786	22600	0.0	-
0.5798	22650	0.0	-
0.5811	22700	0.0	-
0.5824	22750	0.0	-
0.5837	22800	0.0	-
0.5850	22850	0.0	-
0.5862	22900	0.0	-
0.5875	22950	0.0	-
0.5888	23000	0.0	-
0.5901	23050	0.0	-
0.5914	23100	0.0	-
0.5926	23150	0.0	-
0.5939	23200	0.0	-
0.5952	23250	0.0	-
0.5965	23300	0.0	-
0.5978	23350	0.0	-
0.5990	23400	0.0	-
0.6003	23450	0.0	-
0.6016	23500	0.0	-
0.6029	23550	0.0	-
0.6042	23600	0.0	-
0.6054	23650	0.0	-
0.6067	23700	0.0	-
0.6080	23750	0.0	-
0.6093	23800	0.0	-
0.6106	23850	0.0	-
0.6118	23900	0.0	-
0.6131	23950	0.0	-
0.6144	24000	0.0	-
0.6157	24050	0.0	-
0.6170	24100	0.0	-
0.6182	24150	0.0	-
0.6195	24200	0.0	-
0.6208	24250	0.0	-
0.6221	24300	0.0	-
0.6234	24350	0.0	-
0.6246	24400	0.0	-
0.6259	24450	0.0	-
0.6272	24500	0.0	-
0.6285	24550	0.0	-
0.6298	24600	0.0	-
0.6310	24650	0.0	-
0.6323	24700	0.0	-
0.6336	24750	0.0	-
0.6349	24800	0.0	-
0.6362	24850	0.0	-
0.6374	24900	0.0	-
0.6387	24950	0.0	-
0.6400	25000	0.0	-
0.6413	25050	0.0	-
0.6426	25100	0.0	-
0.6438	25150	0.0	-
0.6451	25200	0.0	-
0.6464	25250	0.0	-
0.6477	25300	0.0	-
0.6490	25350	0.0	-
0.6502	25400	0.0	-
0.6515	25450	0.0	-
0.6528	25500	0.0	-
0.6541	25550	0.0	-
0.6554	25600	0.0	-
0.6566	25650	0.0	-
0.6579	25700	0.0	-
0.6592	25750	0.0	-
0.6605	25800	0.0	-
0.6618	25850	0.0	-
0.6630	25900	0.0	-
0.6643	25950	0.0	-
0.6656	26000	0.0	-
0.6669	26050	0.0	-
0.6682	26100	0.0	-
0.6694	26150	0.0	-
0.6707	26200	0.0	-
0.6720	26250	0.0	-
0.6733	26300	0.0	-
0.6746	26350	0.0	-
0.6758	26400	0.0	-
0.6771	26450	0.0	-
0.6784	26500	0.0	-
0.6797	26550	0.0	-
0.6810	26600	0.0	-
0.6822	26650	0.0	-
0.6835	26700	0.0	-
0.6848	26750	0.0	-
0.6861	26800	0.0	-
0.6874	26850	0.0	-
0.6886	26900	0.0	-
0.6899	26950	0.0	-
0.6912	27000	0.0	-
0.6925	27050	0.0	-
0.6938	27100	0.0	-
0.6950	27150	0.0	-
0.6963	27200	0.0	-
0.6976	27250	0.0	-
0.6989	27300	0.0	-
0.7002	27350	0.0	-
0.7014	27400	0.0	-
0.7027	27450	0.0	-
0.7040	27500	0.0	-
0.7053	27550	0.0	-
0.7066	27600	0.0	-
0.7078	27650	0.0	-
0.7091	27700	0.0	-
0.7104	27750	0.0	-
0.7117	27800	0.0	-
0.7130	27850	0.0	-
0.7142	27900	0.0	-
0.7155	27950	0.0	-
0.7168	28000	0.0	-
0.7181	28050	0.0	-
0.7194	28100	0.0	-
0.7206	28150	0.0	-
0.7219	28200	0.0	-
0.7232	28250	0.0	-
0.7245	28300	0.0	-
0.7258	28350	0.0	-
0.7270	28400	0.0	-
0.7283	28450	0.0	-
0.7296	28500	0.0	-
0.7309	28550	0.0	-
0.7322	28600	0.0	-
0.7334	28650	0.0	-
0.7347	28700	0.0	-
0.7360	28750	0.0	-
0.7373	28800	0.0	-
0.7386	28850	0.0	-
0.7398	28900	0.0	-
0.7411	28950	0.0	-
0.7424	29000	0.0	-
0.7437	29050	0.0	-
0.7450	29100	0.0	-
0.7462	29150	0.0	-
0.7475	29200	0.0	-
0.7488	29250	0.0	-
0.7501	29300	0.0	-
0.7514	29350	0.0	-
0.7526	29400	0.0	-
0.7539	29450	0.0	-
0.7552	29500	0.0	-
0.7565	29550	0.0	-
0.7578	29600	0.0	-
0.7590	29650	0.0	-
0.7603	29700	0.0	-
0.7616	29750	0.0	-
0.7629	29800	0.0	-
0.7642	29850	0.0	-
0.7654	29900	0.0	-
0.7667	29950	0.0	-
0.7680	30000	0.0	-
0.7693	30050	0.0	-
0.7706	30100	0.0	-
0.7718	30150	0.0	-
0.7731	30200	0.0	-
0.7744	30250	0.0	-
0.7757	30300	0.0	-
0.7770	30350	0.0	-
0.7782	30400	0.0	-
0.7795	30450	0.0	-
0.7808	30500	0.0	-
0.7821	30550	0.0	-
0.7833	30600	0.0	-
0.7846	30650	0.0	-
0.7859	30700	0.0	-
0.7872	30750	0.0	-
0.7885	30800	0.0	-
0.7897	30850	0.0	-
0.7910	30900	0.0	-
0.7923	30950	0.0	-
0.7936	31000	0.0	-
0.7949	31050	0.0	-
0.7961	31100	0.0	-
0.7974	31150	0.0	-
0.7987	31200	0.0	-
0.8000	31250	0.0	-
0.8013	31300	0.0	-
0.8025	31350	0.0	-
0.8038	31400	0.0	-
0.8051	31450	0.0	-
0.8064	31500	0.0	-
0.8077	31550	0.0	-
0.8089	31600	0.0	-
0.8102	31650	0.0	-
0.8115	31700	0.0	-
0.8128	31750	0.0	-
0.8141	31800	0.0	-
0.8153	31850	0.0	-
0.8166	31900	0.0	-
0.8179	31950	0.0	-
0.8192	32000	0.0	-
0.8205	32050	0.0	-
0.8217	32100	0.0	-
0.8230	32150	0.0	-
0.8243	32200	0.0	-
0.8256	32250	0.0	-
0.8269	32300	0.0	-
0.8281	32350	0.0	-
0.8294	32400	0.0	-
0.8307	32450	0.0	-
0.8320	32500	0.0	-
0.8333	32550	0.0	-
0.8345	32600	0.0	-
0.8358	32650	0.0	-
0.8371	32700	0.0	-
0.8384	32750	0.0	-
0.8397	32800	0.0	-
0.8409	32850	0.0	-
0.8422	32900	0.0	-
0.8435	32950	0.0	-
0.8448	33000	0.0	-
0.8461	33050	0.0	-
0.8473	33100	0.0	-
0.8486	33150	0.0	-
0.8499	33200	0.0	-
0.8512	33250	0.0	-
0.8525	33300	0.0	-
0.8537	33350	0.0	-
0.8550	33400	0.0	-
0.8563	33450	0.0	-
0.8576	33500	0.0	-
0.8589	33550	0.0	-
0.8601	33600	0.0	-
0.8614	33650	0.0	-
0.8627	33700	0.0	-
0.8640	33750	0.0	-
0.8653	33800	0.0	-
0.8665	33850	0.0	-
0.8678	33900	0.0	-
0.8691	33950	0.0	-
0.8704	34000	0.0	-
0.8717	34050	0.0	-
0.8729	34100	0.0	-
0.8742	34150	0.0	-
0.8755	34200	0.0	-
0.8768	34250	0.0	-
0.8781	34300	0.0	-
0.8793	34350	0.0	-
0.8806	34400	0.0	-
0.8819	34450	0.0	-
0.8832	34500	0.0	-
0.8845	34550	0.0	-
0.8857	34600	0.0	-
0.8870	34650	0.0	-
0.8883	34700	0.0	-
0.8896	34750	0.0	-
0.8909	34800	0.0	-
0.8921	34850	0.0	-
0.8934	34900	0.0	-
0.8947	34950	0.0	-
0.8960	35000	0.0	-
0.8973	35050	0.0	-
0.8985	35100	0.0	-
0.8998	35150	0.0	-
0.9011	35200	0.0	-
0.9024	35250	0.0	-
0.9037	35300	0.0	-
0.9049	35350	0.0	-
0.9062	35400	0.0	-
0.9075	35450	0.0	-
0.9088	35500	0.0	-
0.9101	35550	0.0	-
0.9113	35600	0.0	-
0.9126	35650	0.0	-
0.9139	35700	0.0	-
0.9152	35750	0.0	-
0.9165	35800	0.0	-
0.9177	35850	0.0	-
0.9190	35900	0.0	-
0.9203	35950	0.0	-
0.9216	36000	0.0	-
0.9229	36050	0.0	-
0.9241	36100	0.0	-
0.9254	36150	0.0	-
0.9267	36200	0.0	-
0.9280	36250	0.0	-
0.9293	36300	0.0	-
0.9305	36350	0.0	-
0.9318	36400	0.0	-
0.9331	36450	0.0	-
0.9344	36500	0.0	-
0.9357	36550	0.0	-
0.9369	36600	0.0	-
0.9382	36650	0.0	-
0.9395	36700	0.0	-
0.9408	36750	0.0	-
0.9421	36800	0.0	-
0.9433	36850	0.0	-
0.9446	36900	0.0	-
0.9459	36950	0.0	-
0.9472	37000	0.0	-
0.9485	37050	0.0	-
0.9497	37100	0.0	-
0.9510	37150	0.0	-
0.9523	37200	0.0	-
0.9536	37250	0.0	-
0.9549	37300	0.0	-
0.9561	37350	0.0	-
0.9574	37400	0.0	-
0.9587	37450	0.0	-
0.9600	37500	0.0	-
0.9613	37550	0.0	-
0.9625	37600	0.0	-
0.9638	37650	0.0	-
0.9651	37700	0.0	-
0.9664	37750	0.0	-
0.9677	37800	0.0	-
0.9689	37850	0.0	-
0.9702	37900	0.0	-
0.9715	37950	0.0	-
0.9728	38000	0.0	-
0.9741	38050	0.0	-
0.9753	38100	0.0	-
0.9766	38150	0.0	-
0.9779	38200	0.0	-
0.9792	38250	0.0	-
0.9805	38300	0.0	-
0.9817	38350	0.0	-
0.9830	38400	0.0	-
0.9843	38450	0.0	-
0.9856	38500	0.0	-
0.9869	38550	0.0	-
0.9881	38600	0.0	-
0.9894	38650	0.0	-
0.9907	38700	0.0	-
0.9920	38750	0.0	-
0.9933	38800	0.0	-
0.9945	38850	0.0	-
0.9958	38900	0.0	-
0.9971	38950	0.0	-
0.9984	39000	0.0	-
0.9997	39050	0.0	-
1.0	39063	-	0.4016

The bold row denotes the saved checkpoint.

Framework Versions

Python: 3.10.13
SetFit: 1.0.3
Sentence Transformers: 2.2.2
Transformers: 4.36.2
PyTorch: 2.1.2+cu121
Datasets: 2.16.1
Tokenizers: 0.15.0

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}
}