--- 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](https://github.com/huggingface/setfit) model that can be used for Text Classification. This SetFit model uses [sentence-transformers/all-mpnet-base-v2](https://huggingface.co/sentence-transformers/all-mpnet-base-v2) as the Sentence Transformer embedding model. A [LogisticRegression](https://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LogisticRegression.html) 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](https://www.sbert.net) with contrastive learning. 2. 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](https://huggingface.co/sentence-transformers/all-mpnet-base-v2) - **Classification head:** a [LogisticRegression](https://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LogisticRegression.html) instance - **Maximum Sequence Length:** 384 tokens - **Number of Classes:** 11 classes ### Model Sources - **Repository:** [SetFit on GitHub](https://github.com/huggingface/setfit) - **Paper:** [Efficient Few-Shot Learning Without Prompts](https://arxiv.org/abs/2209.11055) - **Blogpost:** [SetFit: Efficient Few-Shot Learning Without Prompts](https://huggingface.co/blog/setfit) ### 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: ```bash 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("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 ```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} } ```