metadata
library_name: setfit
tags:
- setfit
- sentence-transformers
- text-classification
- generated_from_setfit_trainer
base_model: adriansanz/halfine
metrics:
- accuracy
widget:
- text: >-
partits de futbol en vía pública que generen sorrolls i desperfectes : soc
una veina de la plaça victor mateu i moles. durant tot l’any el jovent
juguen a fútbol en la part asfaltada de la plaça i disparen les pilotes
contra la tanca del recinte que correspon als portals 1, 2 i 3 de dita
plaça. aquests partits s’allarguen fins passades les 12 de la nit i a més
provoquen l’enfonsament de la tanca metàl•lica. avisada la guàrdia urbana
en diverses ocasions en les que han fet cas omís. aquests fets pertorben
el descans dels veïns a més dels desperfectes que ocasionen i que haurem
de pagar entre els veïns de la comunitat. aquests fets s’estan produint
des de la remodelació de la plaça. gràcies per la vostra atenció.
- text: >-
una bombeta fosa en una farola : al carrer antoni agusti al nº 9 hi ha una
farola amb una bombeta fosa fa dies que i está
- text: >-
vehicle circulant amb itv caducada : el vehicle marca hundai civic de
color verd provist de plaques de matricula 2449 cyj circula pels carrers
dels voltants del arnau de vilanova amb la itv caducada del març del 23
per tant aquest vehicle cal que passi la inspeccio tecnica corresponent
per a garantir la seguretat de la resta d'usuaris de la
zona....gracies.....apercebin al conductor o propietari al mes aviat
possible.....
- text: >-
devolució fiances : bona tarda, voldria saber el procediment a seguir per
sol•licitar la devolució d’unes fiances que es varen constituir per
realitzar unes obres, les quals ja han acabat. no sé si depèn d'urbanisme,
via pública, tramitacions... disculpeu. atentament marc castelló
- text: >-
senyal vertical d,obligacio de circulacion giratoria despenjada : la
senyal vertical circular de obligacio de circulacio giratoria situada a la
glorieta de dr.fleming amb avinguda 11 de setembre,,,,,davant centre
penitenciari ,,,roman despenjada al terra,,,,caldria tornar la a penjar en
el seu lloc......gracies....revisin la zona.....
pipeline_tag: text-classification
inference: true
SetFit with adriansanz/halfine
This is a SetFit model that can be used for Text Classification. This SetFit model uses adriansanz/halfine 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: adriansanz/halfine
- Classification head: a LogisticRegression instance
- Maximum Sequence Length: 512 tokens
- Number of Classes: 17 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 |
|---|---|
| 0 |
|
| 1 |
|
| 2 |
|
| 3 |
|
| 4 |
|
| 5 |
|
| 6 |
|
| 7 |
|
| 8 |
|
| 9 |
|
| 10 |
|
| 11 |
|
| 12 |
|
| 13 |
|
| 14 |
|
| 15 |
|
| 16 |
|
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("adriansanz/test8")
# Run inference
preds = model("una bombeta fosa en una farola : al carrer antoni agusti al nº 9 hi ha una farola amb una bombeta fosa fa dies que i está")
Training Details
Training Set Metrics
| Training set | Min | Median | Max |
|---|---|---|---|
| Word count | 5 | 5.9412 | 9 |
| Label | Training Sample Count |
|---|---|
| 0 | 8 |
| 1 | 8 |
| 2 | 8 |
| 3 | 8 |
| 4 | 8 |
| 5 | 8 |
| 6 | 8 |
| 7 | 8 |
| 8 | 8 |
| 9 | 8 |
| 10 | 8 |
| 11 | 8 |
| 12 | 8 |
| 13 | 8 |
| 14 | 8 |
| 15 | 8 |
| 16 | 8 |
Training Hyperparameters
- batch_size: (16, 2)
- num_epochs: (1, 16)
- 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: False
Framework Versions
- Python: 3.10.12
- SetFit: 1.0.3
- Sentence Transformers: 2.7.0
- Transformers: 4.40.1
- PyTorch: 2.2.1+cu121
- Datasets: 2.19.1
- Tokenizers: 0.19.1
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}
}