SetFit with mini1013/master_domain
This is a SetFit model that can be used for Text Classification. This SetFit model uses mini1013/master_domain 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 Sources
Model Labels
| Label |
Examples |
| 1.0 |
- '신장 측정 기계 표준 기계식 측정기 학교 병원 약국 건강 검진 신장계 키재기 70-190cm 블랙_기계적 핑팝'
- '공룡 자석 귀여운 키재기 기린 눈금 벽 측정도구 소프트웨어 보내기[프로 버전-양고] 고소몽 새벽잡화점'
- '키 몸무게 측정기 검사 헬스장 학교 검진 보건실 신체 160kg 제품 (블랙) 노마둔'
|
| 5.0 |
- '휴비딕 신생아 유아 아기 고양이 강아지 반려동물 체중계 HUS-316B (주)휴비딕'
- '[애구애구] 강아지 고양이 체중계 건전지 포함, 애견 원터치 무선 체중계, 반려견 몸무계 측정기 애드마스터'
- '상업용 전자 정밀 소형 저울T사우나 헬스장 체중계 전자저울 100KG 150KG 이로운발견'
|
| 0.0 |
- '스마트 만보기 시계 만보팔찌 손목만보계 칼로리시계 스마트 만보 시계 팔찌 손목 형 실리콘 디지털 계 만보기시계-민트 제이한 주식회사'
- '오리온 계수기 FH102 주식회사 다원피앤피'
- '미니 디지털카운터기 0~99999까지 / 반지계수기 카운터기-파랑 대박나라'
|
| 4.0 |
- '브라운 써모스캔 귀 체온계 IRT6030 롯데백화점1관'
- '브라운체온계 IRT-6030 적외선 귀체온계 가정용 신생아 체온계 필터21개+건전지 포함 브라운체온계 IRT-6030 주식회사 온라이브플러스'
- '브라운 귀체온계 IRT-6030 + 필터21p포함/1년무상AS baby 신세계몰'
|
| 6.0 |
- '오므론 손목형 자동전자 혈압계 HEM-6161 가정용혈압계_MC 멸치쇼핑'
- '인바디 BPBIO320N 자동 혈압계 BPBIO320N_그레이(테이블+의자 포함) 바디메디칼'
- '휴비딕 비피첵 손목 자동 전자 혈압계 HBP-600 혈압측정기 판테온'
|
| 3.0 |
- '독일 LED 검이경(성인/아동 겸용)-건전지식 풍솔글로벌'
- '간호사용 병원 진찰용품 의사 청진기 측정기 소아과 심박 내과 cosse2'
- 'SPIRIT 검이경 CK-939A /오토스코프/직접조사방식/알루미늄재질/좌우스위치방식적용 풍솔글로벌'
|
| 2.0 |
- 'Wahoo Fitness 티커 심박수측정기(HRM) 스텔스 그레이 White 픽더마인드'
- 'POLAR Equine H10 라이딩 심박수 센서 라이브러리2'
- 'Polar H10 심박수 모니터, 블루투스 HRM 가슴 스트랩 - 아이폰 및 안드로이드 호환, 블랙 식스퀄리티'
|
Evaluation
Metrics
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
model = SetFitModel.from_pretrained("mini1013/master_cate_lh1")
preds = model("어린이 신장 측정기 높이 벽 스티커 3D 키재기 신장계 B_큰 핑팝")
Training Details
Training Set Metrics
| Training set |
Min |
Median |
Max |
| Word count |
3 |
9.9771 |
18 |
| Label |
Training Sample Count |
| 0.0 |
50 |
| 1.0 |
50 |
| 2.0 |
6 |
| 3.0 |
50 |
| 4.0 |
50 |
| 5.0 |
50 |
| 6.0 |
50 |
Training Hyperparameters
- batch_size: (512, 512)
- num_epochs: (20, 20)
- max_steps: -1
- sampling_strategy: oversampling
- num_iterations: 40
- body_learning_rate: (2e-05, 2e-05)
- head_learning_rate: 2e-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 |
| 0.0208 |
1 |
0.4314 |
- |
| 1.0417 |
50 |
0.1947 |
- |
| 2.0833 |
100 |
0.0912 |
- |
| 3.125 |
150 |
0.0968 |
- |
| 4.1667 |
200 |
0.0231 |
- |
| 5.2083 |
250 |
0.0004 |
- |
| 6.25 |
300 |
0.0001 |
- |
| 7.2917 |
350 |
0.0001 |
- |
| 8.3333 |
400 |
0.0 |
- |
| 9.375 |
450 |
0.0001 |
- |
| 10.4167 |
500 |
0.0 |
- |
| 11.4583 |
550 |
0.0 |
- |
| 12.5 |
600 |
0.0 |
- |
| 13.5417 |
650 |
0.0 |
- |
| 14.5833 |
700 |
0.0 |
- |
| 15.625 |
750 |
0.0 |
- |
| 16.6667 |
800 |
0.0 |
- |
| 17.7083 |
850 |
0.0 |
- |
| 18.75 |
900 |
0.0 |
- |
| 19.7917 |
950 |
0.0 |
- |
Framework Versions
- Python: 3.10.12
- SetFit: 1.1.0.dev0
- Sentence Transformers: 3.1.1
- Transformers: 4.46.1
- PyTorch: 2.4.0+cu121
- Datasets: 2.20.0
- 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}
}
