metadata

base_model: akhooli/sbert_ar_nli_500k_norm
library_name: setfit
metrics:
  - accuracy
pipeline_tag: text-classification
tags:
  - setfit
  - sentence-transformers
  - text-classification
  - generated_from_setfit_trainer
widget:
  - text: 'جوهرة مرتبّة ورنانة تنقل نقاطها العالمية دون محاضرات أو مواجهات. " '
  - text: 'إنه حلو ومضحك وساحر ومبهج تمامًا. '
  - text: 'نزهة مبهرة وممتعة مع أحد المخرجين الأكثر إبداعًا في فرنسا. '
  - text: 'الحماقة الشاملة مثل هذه هي مسألة ذوق. '
  - text: 'صراع بين البنية الاصطناعية للقصة والأسلوب المعاصر والطبيعي للفيلم... '
inference: true
model-index:
  - name: SetFit with akhooli/sbert_ar_nli_500k_norm
    results:
      - task:
          type: text-classification
          name: Text Classification
        dataset:
          name: Unknown
          type: unknown
          split: test
        metrics:
          - type: accuracy
            value: 0.76
            name: Accuracy

SetFit with akhooli/sbert_ar_nli_500k_norm

This is a SetFit model that can be used for Text Classification. This SetFit model uses akhooli/sbert_ar_nli_500k_norm 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: akhooli/sbert_ar_nli_500k_norm
Classification head: a LogisticRegression instance
Maximum Sequence Length: 512 tokens
Number of Classes: 2 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
positive	'... إنه مفهوم مثل أي دليل دمى، وهو شيء يمكن حتى لغير التقنيين الاستمتاع به. ' 'جوهرة مرتبّة ورنانة تنقل نقاطها العالمية دون محاضرات أو مواجهات. " ' 'يتناقض مع كل ما أصبحنا نتوقعه من الأفلام في الوقت الحاضر. '
negative	'واحد من أسوأ الأفلام لهذا العام. ' 'الكثير من الأعداء لديهم شعور بالتعب والثرثرة. ' 'حتى الدماء الخيالية لا يمكنها إخفاء الرائحة العفنة لسيناريو تود فارمر، وهو عبارة عن تجديد بسيط لفيلم 1979 الفضائي، مع بطلة شجاعة تقاتل وحشًا طليقًا في سفينة فضائية. '

Label

Examples

positive

'... إنه مفهوم مثل أي دليل دمى، وهو شيء يمكن حتى لغير التقنيين الاستمتاع به. '
'جوهرة مرتبّة ورنانة تنقل نقاطها العالمية دون محاضرات أو مواجهات. " '
'يتناقض مع كل ما أصبحنا نتوقعه من الأفلام في الوقت الحاضر. '

negative

'واحد من أسوأ الأفلام لهذا العام. '
'الكثير من الأعداء لديهم شعور بالتعب والثرثرة. '
'حتى الدماء الخيالية لا يمكنها إخفاء الرائحة العفنة لسيناريو تود فارمر، وهو عبارة عن تجديد بسيط لفيلم 1979 الفضائي، مع بطلة شجاعة تقاتل وحشًا طليقًا في سفينة فضائية. '

Evaluation

Metrics

Label	Accuracy
all	0.76

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("akhooli/setfit")
# Run inference
preds = model("إنه حلو ومضحك وساحر ومبهج تمامًا. ")

Training Details

Training Set Metrics

Training set	Min	Median	Max
Word count	5	16.7	30

Label	Training Sample Count
negative	25
positive	25

Training Hyperparameters

batch_size: (32, 32)
num_epochs: (10, 10)
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
l2_weight: 0.01
seed: 42
eval_max_steps: -1
load_best_model_at_end: False

Training Results

Epoch	Step	Training Loss	Validation Loss
0.0476	1	0.3162	-
2.3810	50	0.1501	-
4.7619	100	0.0007	-
7.1429	150	0.0003	-
9.5238	200	0.0003	-

Framework Versions

Python: 3.10.14
SetFit: 1.2.0.dev0
Sentence Transformers: 3.1.1
Transformers: 4.45.1
PyTorch: 2.4.0
Datasets: 3.0.1
Tokenizers: 0.20.0

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}
}