Hugging Face's logo

spaly99
/
my-setfit-model-dataset-PG-OCR

Text Classification
setfit
Safetensors
sentence-transformers
mpnet
generated_from_setfit_trainer
Eval Results
Model card Files Community
Edit model card

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:

  1. Fine-tuning a Sentence Transformer with contrastive learning.
  2. Training a classification head with features from the fine-tuned Sentence Transformer.

Model Details

Model Description

Model Sources

Model Labels

Label Examples
False
  • 'Persistent'
  • 'Forensic Contract'
  • 'View Vendor List'
True
  • 'winming camp at Taj Deccan. Morning and evening batches. Start today. Become a champ. Monday to Friday till 3 Ist march '
  • '您的反馈已记录，我们将努力改善您的浏览体验。'
  • 'Ve ConcerrualL DESIGNER '

Evaluation

Metrics

Label Accuracy Precision Recall F1
all 0.5003 0.0 0.0 0.0

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("setfit_model_id")
# Run inference
preds = model("Google Maps")

Training Details

Training Set Metrics

Training set Min Median Max
Word count 1 8.5055 706
Label Training Sample Count
False 6399
True 6401

Training Hyperparameters

  • batch_size: (16, 2)
  • num_epochs: (1, 16)
  • max_steps: -1
  • sampling_strategy: oversampling
  • num_iterations: 20
  • 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
  • run_name: PG-OCR-test-1
  • eval_max_steps: -1
  • load_best_model_at_end: False

Training Results

Epoch Step Training Loss Validation Loss
0.0000 1 0.5 -
0.0016 50 0.5 -
0.0031 100 0.5 -
0.0047 150 0.5 -
0.0063 200 0.5 -
0.0078 250 0.5 -
0.0094 300 0.5 -
0.0109 350 0.5 -
0.0125 400 0.5 -
0.0141 450 0.5 -
0.0156 500 0.5 -
0.0172 550 0.5 -
0.0187 600 0.5 -
0.0203 650 0.5 -
0.0219 700 0.5 -
0.0234 750 0.5 -
0.025 800 0.5 -
0.0266 850 0.5 -
0.0281 900 0.5 -
0.0297 950 0.5 -
0.0312 1000 0.5 -
0.0328 1050 0.5 -
0.0344 1100 0.5 -
0.0359 1150 0.5 -
0.0375 1200 0.5 -
0.0391 1250 0.5 -
0.0406 1300 0.5 -
0.0422 1350 0.5 -
0.0437 1400 0.5 -
0.0453 1450 0.5 -
0.0469 1500 0.5 -
0.0484 1550 0.5 -
0.05 1600 0.5 -
0.0516 1650 0.5 -
0.0531 1700 0.5 -
0.0547 1750 0.5 -
0.0563 1800 0.5 -
0.0578 1850 0.5 -
0.0594 1900 0.5 -
0.0609 1950 0.5 -
0.0625 2000 0.5 -
0.0641 2050 0.5 -
0.0656 2100 0.5 -
0.0672 2150 0.5 -
0.0688 2200 0.5 -
0.0703 2250 0.5 -
0.0719 2300 0.5 -
0.0734 2350 0.5 -
0.075 2400 0.5 -
0.0766 2450 0.5 -
0.0781 2500 0.5 -
0.0797 2550 0.5 -
0.0813 2600 0.5 -
0.0828 2650 0.5 -
0.0844 2700 0.5 -
0.0859 2750 0.5 -
0.0875 2800 0.5 -
0.0891 2850 0.5 -
0.0906 2900 0.5 -
0.0922 2950 0.5 -
0.0938 3000 0.5 -
0.0953 3050 0.5 -
0.0969 3100 0.5 -
0.0984 3150 0.5 -
0.1 3200 0.5 -
0.1016 3250 0.5 -
0.1031 3300 0.5 -
0.1047 3350 0.5 -
0.1062 3400 0.5 -
0.1078 3450 0.5 -
0.1094 3500 0.5 -
0.1109 3550 0.5 -
0.1125 3600 0.5 -
0.1141 3650 0.5 -
0.1156 3700 0.5 -
0.1172 3750 0.5 -
0.1187 3800 0.5 -
0.1203 3850 0.5 -
0.1219 3900 0.5 -
0.1234 3950 0.5 -
0.125 4000 0.5 -
0.1266 4050 0.5 -
0.1281 4100 0.5 -
0.1297 4150 0.5 -
0.1313 4200 0.5 -
0.1328 4250 0.5 -
0.1344 4300 0.5 -
0.1359 4350 0.5 -
0.1375 4400 0.5 -
0.1391 4450 0.5 -
0.1406 4500 0.5 -
0.1422 4550 0.5 -
0.1437 4600 0.5 -
0.1453 4650 0.5 -
0.1469 4700 0.5 -
0.1484 4750 0.5 -
0.15 4800 0.5 -
0.1516 4850 0.5 -
0.1531 4900 0.5 -
0.1547 4950 0.5 -
0.1562 5000 0.5 0.5
0.1578 5050 0.5 -
0.1594 5100 0.5 -
0.1609 5150 0.5 -
0.1625 5200 0.5 -
0.1641 5250 0.5 -
0.1656 5300 0.5 -
0.1672 5350 0.5 -
0.1688 5400 0.5 -
0.1703 5450 0.5 -
0.1719 5500 0.5 -
0.1734 5550 0.5 -
0.175 5600 0.5 -
0.1766 5650 0.5 -
0.1781 5700 0.5 -
0.1797 5750 0.5 -
0.1812 5800 0.5 -
0.1828 5850 0.5 -
0.1844 5900 0.5 -
0.1859 5950 0.5 -
0.1875 6000 0.5 -
0.1891 6050 0.5 -
0.1906 6100 0.5 -
0.1922 6150 0.5 -
0.1938 6200 0.5 -
0.1953 6250 0.5 -
0.1969 6300 0.5 -
0.1984 6350 0.5 -
0.2 6400 0.5 -
0.2016 6450 0.5 -
0.2031 6500 0.5 -
0.2047 6550 0.5 -
0.2062 6600 0.5 -
0.2078 6650 0.5 -
0.2094 6700 0.5 -
0.2109 6750 0.5 -
0.2125 6800 0.5 -
0.2141 6850 0.5 -
0.2156 6900 0.5 -
0.2172 6950 0.5 -
0.2188 7000 0.5 -
0.2203 7050 0.5 -
0.2219 7100 0.5 -
0.2234 7150 0.5 -
0.225 7200 0.5 -
0.2266 7250 0.5 -
0.2281 7300 0.5 -
0.2297 7350 0.5 -
0.2313 7400 0.5 -
0.2328 7450 0.5 -
0.2344 7500 0.5 -
0.2359 7550 0.5 -
0.2375 7600 0.5 -
0.2391 7650 0.5 -
0.2406 7700 0.5 -
0.2422 7750 0.5 -
0.2437 7800 0.5 -
0.2453 7850 0.5 -
0.2469 7900 0.5 -
0.2484 7950 0.5 -
0.25 8000 0.5 -
0.2516 8050 0.5 -
0.2531 8100 0.5 -
0.2547 8150 0.5 -
0.2562 8200 0.5 -
0.2578 8250 0.5 -
0.2594 8300 0.5 -
0.2609 8350 0.5 -
0.2625 8400 0.5 -
0.2641 8450 0.5 -
0.2656 8500 0.5 -
0.2672 8550 0.5 -
0.2687 8600 0.5 -
0.2703 8650 0.5 -
0.2719 8700 0.5 -
0.2734 8750 0.5 -
0.275 8800 0.5 -
0.2766 8850 0.5 -
0.2781 8900 0.5 -
0.2797 8950 0.5 -
0.2812 9000 0.5 -
0.2828 9050 0.5 -
0.2844 9100 0.5 -
0.2859 9150 0.5 -
0.2875 9200 0.5 -
0.2891 9250 0.5 -
0.2906 9300 0.5 -
0.2922 9350 0.5 -
0.2938 9400 0.5 -
0.2953 9450 0.5 -
0.2969 9500 0.5 -
0.2984 9550 0.5 -
0.3 9600 0.5 -
0.3016 9650 0.5 -
0.3031 9700 0.5 -
0.3047 9750 0.5 -
0.3063 9800 0.5 -
0.3078 9850 0.5 -
0.3094 9900 0.5 -
0.3109 9950 0.5 -
0.3125 10000 0.5 0.5
0.3141 10050 0.5 -
0.3156 10100 0.5 -
0.3172 10150 0.5 -
0.3187 10200 0.5 -
0.3203 10250 0.5 -
0.3219 10300 0.5 -
0.3234 10350 0.5 -
0.325 10400 0.5 -
0.3266 10450 0.5 -
0.3281 10500 0.5 -
0.3297 10550 0.5 -
0.3312 10600 0.5 -
0.3328 10650 0.5 -
0.3344 10700 0.5 -
0.3359 10750 0.5 -
0.3375 10800 0.5 -
0.3391 10850 0.5 -
0.3406 10900 0.5 -
0.3422 10950 0.5 -
0.3438 11000 0.5 -
0.3453 11050 0.5 -
0.3469 11100 0.5 -
0.3484 11150 0.5 -
0.35 11200 0.5 -
0.3516 11250 0.5 -
0.3531 11300 0.5 -
0.3547 11350 0.5 -
0.3563 11400 0.5 -
0.3578 11450 0.5 -
0.3594 11500 0.5 -
0.3609 11550 0.5 -
0.3625 11600 0.5 -
0.3641 11650 0.5 -
0.3656 11700 0.5 -
0.3672 11750 0.5 -
0.3688 11800 0.5 -
0.3703 11850 0.5 -
0.3719 11900 0.5 -
0.3734 11950 0.5 -
0.375 12000 0.5 -
0.3766 12050 0.5 -
0.3781 12100 0.5 -
0.3797 12150 0.5 -
0.3812 12200 0.5 -
0.3828 12250 0.5 -
0.3844 12300 0.5 -
0.3859 12350 0.5 -
0.3875 12400 0.5 -
0.3891 12450 0.5 -
0.3906 12500 0.5 -
0.3922 12550 0.5 -
0.3937 12600 0.5 -
0.3953 12650 0.5 -
0.3969 12700 0.5 -
0.3984 12750 0.5 -
0.4 12800 0.5 -
0.4016 12850 0.5 -
0.4031 12900 0.5 -
0.4047 12950 0.5 -
0.4062 13000 0.5 -
0.4078 13050 0.5 -
0.4094 13100 0.5 -
0.4109 13150 0.5 -
0.4125 13200 0.5 -
0.4141 13250 0.5 -
0.4156 13300 0.5 -
0.4172 13350 0.5 -
0.4188 13400 0.5 -
0.4203 13450 0.5 -
0.4219 13500 0.5 -
0.4234 13550 0.5 -
0.425 13600 0.5 -
0.4266 13650 0.5 -
0.4281 13700 0.5 -
0.4297 13750 0.5 -
0.4313 13800 0.5 -
0.4328 13850 0.5 -
0.4344 13900 0.5 -
0.4359 13950 0.5 -
0.4375 14000 0.5 -
0.4391 14050 0.5 -
0.4406 14100 0.5 -
0.4422 14150 0.5 -
0.4437 14200 0.5 -
0.4453 14250 0.5 -
0.4469 14300 0.5 -
0.4484 14350 0.5 -
0.45 14400 0.5 -
0.4516 14450 0.5 -
0.4531 14500 0.5 -
0.4547 14550 0.5 -
0.4562 14600 0.5 -
0.4578 14650 0.5 -
0.4594 14700 0.5 -
0.4609 14750 0.5 -
0.4625 14800 0.5 -
0.4641 14850 0.5 -
0.4656 14900 0.5 -
0.4672 14950 0.5 -
0.4688 15000 0.5 0.5
0.4703 15050 0.5 -
0.4719 15100 0.5 -
0.4734 15150 0.5 -
0.475 15200 0.5 -
0.4766 15250 0.5 -
0.4781 15300 0.5 -
0.4797 15350 0.5 -
0.4813 15400 0.5 -
0.4828 15450 0.5 -
0.4844 15500 0.5 -
0.4859 15550 0.5 -
0.4875 15600 0.5 -
0.4891 15650 0.5 -
0.4906 15700 0.5 -
0.4922 15750 0.5 -
0.4938 15800 0.5 -
0.4953 15850 0.5 -
0.4969 15900 0.5 -
0.4984 15950 0.5 -
0.5 16000 0.5 -
0.5016 16050 0.5 -
0.5031 16100 0.5 -
0.5047 16150 0.5 -
0.5062 16200 0.5 -
0.5078 16250 0.5 -
0.5094 16300 0.5 -
0.5109 16350 0.5 -
0.5125 16400 0.5 -
0.5141 16450 0.5 -
0.5156 16500 0.5 -
0.5172 16550 0.5 -
0.5188 16600 0.5 -
0.5203 16650 0.5 -
0.5219 16700 0.5 -
0.5234 16750 0.5 -
0.525 16800 0.5 -
0.5266 16850 0.5 -
0.5281 16900 0.5 -
0.5297 16950 0.5 -
0.5312 17000 0.5 -
0.5328 17050 0.5 -
0.5344 17100 0.5 -
0.5359 17150 0.5 -
0.5375 17200 0.5 -
0.5391 17250 0.5 -
0.5406 17300 0.5 -
0.5422 17350 0.5 -
0.5437 17400 0.5 -
0.5453 17450 0.5 -
0.5469 17500 0.5 -
0.5484 17550 0.5 -
0.55 17600 0.5 -
0.5516 17650 0.5 -
0.5531 17700 0.5 -
0.5547 17750 0.5 -
0.5563 17800 0.5 -
0.5578 17850 0.5 -
0.5594 17900 0.5 -
0.5609 17950 0.5 -
0.5625 18000 0.5 -
0.5641 18050 0.5 -
0.5656 18100 0.5 -
0.5672 18150 0.5 -
0.5687 18200 0.5 -
0.5703 18250 0.5 -
0.5719 18300 0.5 -
0.5734 18350 0.5 -
0.575 18400 0.5 -
0.5766 18450 0.5 -
0.5781 18500 0.5 -
0.5797 18550 0.5 -
0.5813 18600 0.5 -
0.5828 18650 0.5 -
0.5844 18700 0.5 -
0.5859 18750 0.5 -
0.5875 18800 0.5 -
0.5891 18850 0.5 -
0.5906 18900 0.5 -
0.5922 18950 0.5 -
0.5938 19000 0.5 -
0.5953 19050 0.5 -
0.5969 19100 0.5 -
0.5984 19150 0.5 -
0.6 19200 0.5 -
0.6016 19250 0.5 -
0.6031 19300 0.5 -
0.6047 19350 0.5 -
0.6062 19400 0.5 -
0.6078 19450 0.5 -
0.6094 19500 0.5 -
0.6109 19550 0.5 -
0.6125 19600 0.5 -
0.6141 19650 0.5 -
0.6156 19700 0.5 -
0.6172 19750 0.5 -
0.6188 19800 0.5 -
0.6203 19850 0.5 -
0.6219 19900 0.5 -
0.6234 19950 0.5 -
0.625 20000 0.5 0.5
0.6266 20050 0.5 -
0.6281 20100 0.5 -
0.6297 20150 0.5 -
0.6312 20200 0.5 -
0.6328 20250 0.5 -
0.6344 20300 0.5 -
0.6359 20350 0.5 -
0.6375 20400 0.5 -
0.6391 20450 0.5 -
0.6406 20500 0.5 -
0.6422 20550 0.5 -
0.6438 20600 0.5 -
0.6453 20650 0.5 -
0.6469 20700 0.5 -
0.6484 20750 0.5 -
0.65 20800 0.5 -
0.6516 20850 0.5 -
0.6531 20900 0.5 -
0.6547 20950 0.5 -
0.6562 21000 0.5 -
0.6578 21050 0.5 -
0.6594 21100 0.5 -
0.6609 21150 0.5 -
0.6625 21200 0.5 -
0.6641 21250 0.5 -
0.6656 21300 0.5 -
0.6672 21350 0.5 -
0.6687 21400 0.5 -
0.6703 21450 0.5 -
0.6719 21500 0.5 -
0.6734 21550 0.5 -
0.675 21600 0.5 -
0.6766 21650 0.5 -
0.6781 21700 0.5 -
0.6797 21750 0.5 -
0.6813 21800 0.5 -
0.6828 21850 0.5 -
0.6844 21900 0.5 -
0.6859 21950 0.5 -
0.6875 22000 0.5 -
0.6891 22050 0.5 -
0.6906 22100 0.5 -
0.6922 22150 0.5 -
0.6937 22200 0.5 -
0.6953 22250 0.5 -
0.6969 22300 0.5 -
0.6984 22350 0.5 -
0.7 22400 0.5 -
0.7016 22450 0.5 -
0.7031 22500 0.5 -
0.7047 22550 0.5 -
0.7063 22600 0.5 -
0.7078 22650 0.5 -
0.7094 22700 0.5 -
0.7109 22750 0.5 -
0.7125 22800 0.5 -
0.7141 22850 0.5 -
0.7156 22900 0.5 -
0.7172 22950 0.5 -
0.7188 23000 0.5 -
0.7203 23050 0.5 -
0.7219 23100 0.5 -
0.7234 23150 0.5 -
0.725 23200 0.5 -
0.7266 23250 0.5 -
0.7281 23300 0.5 -
0.7297 23350 0.5 -
0.7312 23400 0.5 -
0.7328 23450 0.5 -
0.7344 23500 0.5 -
0.7359 23550 0.5 -
0.7375 23600 0.5 -
0.7391 23650 0.5 -
0.7406 23700 0.5 -
0.7422 23750 0.5 -
0.7438 23800 0.5 -
0.7453 23850 0.5 -
0.7469 23900 0.5 -
0.7484 23950 0.5 -
0.75 24000 0.5 -
0.7516 24050 0.5 -
0.7531 24100 0.5 -
0.7547 24150 0.5 -
0.7562 24200 0.5 -
0.7578 24250 0.5 -
0.7594 24300 0.5 -
0.7609 24350 0.5 -
0.7625 24400 0.5 -
0.7641 24450 0.5 -
0.7656 24500 0.5 -
0.7672 24550 0.5 -
0.7688 24600 0.5 -
0.7703 24650 0.5 -
0.7719 24700 0.5 -
0.7734 24750 0.5 -
0.775 24800 0.5 -
0.7766 24850 0.5 -
0.7781 24900 0.5 -
0.7797 24950 0.5 -
0.7812 25000 0.5 0.5
0.7828 25050 0.5 -
0.7844 25100 0.5 -
0.7859 25150 0.5 -
0.7875 25200 0.5 -
0.7891 25250 0.5 -
0.7906 25300 0.5 -
0.7922 25350 0.5 -
0.7937 25400 0.5 -
0.7953 25450 0.5 -
0.7969 25500 0.5 -
0.7984 25550 0.5 -
0.8 25600 0.5 -
0.8016 25650 0.5 -
0.8031 25700 0.5 -
0.8047 25750 0.5 -
0.8063 25800 0.5 -
0.8078 25850 0.5 -
0.8094 25900 0.5 -
0.8109 25950 0.5 -
0.8125 26000 0.5 -
0.8141 26050 0.5 -
0.8156 26100 0.5 -
0.8172 26150 0.5 -
0.8187 26200 0.5 -
0.8203 26250 0.5 -
0.8219 26300 0.5 -
0.8234 26350 0.5 -
0.825 26400 0.5 -
0.8266 26450 0.5 -
0.8281 26500 0.5 -
0.8297 26550 0.5 -
0.8313 26600 0.5 -
0.8328 26650 0.5 -
0.8344 26700 0.5 -
0.8359 26750 0.5 -
0.8375 26800 0.5 -
0.8391 26850 0.5 -
0.8406 26900 0.5 -
0.8422 26950 0.5 -
0.8438 27000 0.5 -
0.8453 27050 0.5 -
0.8469 27100 0.5 -
0.8484 27150 0.5 -
0.85 27200 0.5 -
0.8516 27250 0.5 -
0.8531 27300 0.5 -
0.8547 27350 0.5 -
0.8562 27400 0.5 -
0.8578 27450 0.5 -
0.8594 27500 0.5 -
0.8609 27550 0.5 -
0.8625 27600 0.5 -
0.8641 27650 0.5 -
0.8656 27700 0.5 -
0.8672 27750 0.5 -
0.8688 27800 0.5 -
0.8703 27850 0.5 -
0.8719 27900 0.5 -
0.8734 27950 0.5 -
0.875 28000 0.5 -
0.8766 28050 0.5 -
0.8781 28100 0.5 -
0.8797 28150 0.5 -
0.8812 28200 0.5 -
0.8828 28250 0.5 -
0.8844 28300 0.5 -
0.8859 28350 0.5 -
0.8875 28400 0.5 -
0.8891 28450 0.5 -
0.8906 28500 0.5 -
0.8922 28550 0.5 -
0.8938 28600 0.5 -
0.8953 28650 0.5 -
0.8969 28700 0.5 -
0.8984 28750 0.5 -
0.9 28800 0.5 -
0.9016 28850 0.5 -
0.9031 28900 0.5 -
0.9047 28950 0.5 -
0.9062 29000 0.5 -
0.9078 29050 0.5 -
0.9094 29100 0.5 -
0.9109 29150 0.5 -
0.9125 29200 0.5 -
0.9141 29250 0.5 -
0.9156 29300 0.5 -
0.9172 29350 0.5 -
0.9187 29400 0.5 -
0.9203 29450 0.5 -
0.9219 29500 0.5 -
0.9234 29550 0.5 -
0.925 29600 0.5 -
0.9266 29650 0.5 -
0.9281 29700 0.5 -
0.9297 29750 0.5 -
0.9313 29800 0.5 -
0.9328 29850 0.5 -
0.9344 29900 0.5 -
0.9359 29950 0.5 -
0.9375 30000 0.5 0.5
0.9391 30050 0.5 -
0.9406 30100 0.5 -
0.9422 30150 0.5 -
0.9437 30200 0.5 -
0.9453 30250 0.5 -
0.9469 30300 0.5 -
0.9484 30350 0.5 -
0.95 30400 0.5 -
0.9516 30450 0.5 -
0.9531 30500 0.5 -
0.9547 30550 0.5 -
0.9563 30600 0.5 -
0.9578 30650 0.5 -
0.9594 30700 0.5 -
0.9609 30750 0.5 -
0.9625 30800 0.5 -
0.9641 30850 0.5 -
0.9656 30900 0.5 -
0.9672 30950 0.5 -
0.9688 31000 0.5 -
0.9703 31050 0.5 -
0.9719 31100 0.5 -
0.9734 31150 0.5 -
0.975 31200 0.5 -
0.9766 31250 0.5 -
0.9781 31300 0.5 -
0.9797 31350 0.5 -
0.9812 31400 0.5 -
0.9828 31450 0.5 -
0.9844 31500 0.5 -
0.9859 31550 0.5 -
0.9875 31600 0.5 -
0.9891 31650 0.5 -
0.9906 31700 0.5 -
0.9922 31750 0.5 -
0.9938 31800 0.5 -
0.9953 31850 0.5 -
0.9969 31900 0.5 -
0.9984 31950 0.5 -
1.0 32000 0.5 -

Framework Versions

  • Python: 3.11.0
  • SetFit: 1.0.3
  • Sentence Transformers: 2.3.0
  • Transformers: 4.37.2
  • PyTorch: 2.2.1+cu121
  • Datasets: 2.16.1
  • Tokenizers: 0.15.1

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}
}
Downloads last month
8
Safetensors
Model size
109M params
Tensor type
F32
·
Inference Examples
Text Classification
This model does not have enough activity to be deployed to Inference API (serverless) yet. Increase its social visibility and check back later, or deploy to Inference Endpoints (dedicated) instead.

Model tree for spaly99/my-setfit-model-dataset-PG-OCR

Base model

sentence-transformers/paraphrase-mpnet-base-v2
Finetuned
(247)
this model

Evaluation results

View on Papers With Code