metadata
base_model: sentence-transformers/all-mpnet-base-v2
library_name: setfit
metrics:
- accuracy
pipeline_tag: text-classification
tags:
- setfit
- sentence-transformers
- text-classification
- generated_from_setfit_trainer
widget:
- text: >-
Tono 80 90 la máquina del tiempo Fiesta 80 90 con los videos de la época,
artistas invitados Leslie Stewart, Renato Rossini una noche de motos en el
escenario rock & roll wave y más!!! .....Que empiece la juerga, anfitrión
Renato Rossini.
- text: >-
MAÑANA ME CASO Linda y Dave son una pareja de novios que sin saberlo han
decidido celebrar sus despedidas de soltero en el mismo bar. Mientras que
Linda se encuentra consumida por la duda y presionada por sus amigas, Dave
está derrumbado por la borrachera, cuidado por Eddy y sus amigos, quienes
también se ven revolucionados por la llegada de Peter, que representa todo
a lo que ellos aspiran. Una generación de jóvenes impulsados por el
alcohol y la música, pero ahogados por el trabajo y la sociedad, deberán
elegir entre hacer lo quieren o seguir cumpliendo con las expectativas de
una sociedad no muy diferente a la de ahora.
- text: >-
GALO NO PERÚ El Carnaval es un patrimonio inmortal de la cultura brasileña
y ahora lo traemos al Perú. “Galo no Perú” es una fiesta inspirada y
apoyada por el “Galo da Madrugada”, considerado el más grande desfile
carnavalesco del mundo (según Guinness Book), levando alrededor de 2,5
millones de personas a las calles de la ciudad de Recife/Brasil. Luego, un
grupo de amigos brasileños que viven muchos años en Perú tuvieron la gran
idea de replicarlo aquí, en nuestro Perú, haciendo una fiesta con mucha
música de carnaval de Brasil, además de una fusión con las canciones más
famosas en Perú, haciendo con que nuestro país también haga parte una de
las mayores fiestas populares del mundo, el Carnaval de Brasil.
- text: >-
ESPECIAL DÍA DE LA MUJER – NOCHE DE FOLKLORE Disfrute de todo el encanto
de las danzas y música peruana en nuestras noches de folklore, todos los
viernes y sábados en nuestra Asociación Cultural Brisas del Titicaca.
Presentamos un mágico espectáculo, con danzas de las diferentes regiones
de nuestro Perú, acompañado de una orquesta show en vivo. Lo mejor del
folklore peruano bajo el cielo de Lima.
- text: >-
La casa de Bernarda Alba - Festival de Teatro de Trujillo Olmo Teatro, en
el marco del Festival de Teatro de Trujillo organizado por el Teatro
Víctor Raúl Lozano Ibáñez, presenta “La casa de Bernarda Alba”, obra
clásica del teatro español escrita por Federico García Lorca.
inference: true
model-index:
- name: SetFit with sentence-transformers/all-mpnet-base-v2
results:
- task:
type: text-classification
name: Text Classification
dataset:
name: Unknown
type: unknown
split: test
metrics:
- type: accuracy
value: 0.375
name: Accuracy
SetFit with sentence-transformers/all-mpnet-base-v2
This is a SetFit model that can be used for Text Classification. This SetFit model uses sentence-transformers/all-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/all-mpnet-base-v2
- Classification head: a LogisticRegression instance
- Maximum Sequence Length: 384 tokens
- Number of Classes: 11 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 |
---|---|
theater |
|
party |
|
rock & pop |
|
carlos manucci |
|
atletico grau |
|
alianza lima |
|
art-culture |
|
food-drinks |
|
metal |
|
kids |
|
cinema |
|
Evaluation
Metrics
Label | Accuracy |
---|---|
all | 0.375 |
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("DiegoGCh/setfit-tryv1")
# Run inference
preds = model("Tono 80 90 la máquina del tiempo Fiesta 80 90 con los videos de la época, artistas invitados Leslie Stewart, Renato Rossini una noche de motos en el escenario rock & roll wave y más!!! .....Que empiece la juerga, anfitrión Renato Rossini.")
Training Details
Training Set Metrics
Training set | Min | Median | Max |
---|---|---|---|
Word count | 6 | 56.2632 | 155 |
Label | Training Sample Count |
---|---|
alianza atletico | 0 |
alianza lima | 1 |
andean | 0 |
art-culture | 1 |
ayacucho fc | 0 |
cinema | 1 |
folklore | 0 |
futsal | 0 |
hip hop | 0 |
others | 0 |
party | 5 |
rock & pop | 1 |
sport boys | 0 |
sporting cristal | 0 |
stand-up | 0 |
theater | 5 |
Training Hyperparameters
- batch_size: (8, 8)
- num_epochs: (3, 3)
- max_steps: -1
- sampling_strategy: oversampling
- num_iterations: 20
- body_learning_rate: (5e-05, 5e-05)
- head_learning_rate: 5e-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 |
---|---|---|---|
0.004 | 1 | 0.2656 | - |
0.2 | 50 | 0.0891 | - |
0.4 | 100 | 0.062 | - |
0.6 | 150 | 0.0021 | - |
0.8 | 200 | 0.0006 | - |
1.0 | 250 | 0.0003 | - |
1.2 | 300 | 0.0078 | - |
1.4 | 350 | 0.0003 | - |
1.6 | 400 | 0.0001 | - |
1.8 | 450 | 0.0001 | - |
2.0 | 500 | 0.0002 | - |
2.2 | 550 | 0.0001 | - |
2.4 | 600 | 0.0004 | - |
2.6 | 650 | 0.0001 | - |
2.8 | 700 | 0.0 | - |
3.0 | 750 | 0.0003 | - |
0.004 | 1 | 0.3778 | - |
0.2 | 50 | 0.0361 | - |
0.4 | 100 | 0.0069 | - |
0.6 | 150 | 0.0041 | - |
0.8 | 200 | 0.0018 | - |
1.0 | 250 | 0.1319 | - |
1.2 | 300 | 0.0011 | - |
1.4 | 350 | 0.0023 | - |
1.6 | 400 | 0.0011 | - |
1.8 | 450 | 0.0013 | - |
2.0 | 500 | 0.0005 | - |
2.2 | 550 | 0.0002 | - |
2.4 | 600 | 0.0007 | - |
2.6 | 650 | 0.0001 | - |
2.8 | 700 | 0.0001 | - |
3.0 | 750 | 0.0002 | - |
0.0105 | 1 | 0.2121 | - |
0.5263 | 50 | 0.0011 | - |
1.0526 | 100 | 0.0083 | - |
1.5789 | 150 | 0.0005 | - |
2.1053 | 200 | 0.0002 | - |
2.6316 | 250 | 0.0003 | - |
Framework Versions
- Python: 3.10.14
- SetFit: 1.0.3
- Sentence Transformers: 3.0.1
- Transformers: 4.39.0
- PyTorch: 2.3.1+cu121
- Datasets: 2.21.0
- Tokenizers: 0.15.2
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}
}