svjack
/

setfit_info_cls

@@ -1,207 +0,0 @@
----
-library_name: setfit
-tags:
-- setfit
-- sentence-transformers
-- text-classification
-- generated_from_setfit_trainer
-metrics:
-- accuracy
-widget:
-- text: ' 从文中可以看出，关于无影人的描述并未出现，因此无法从文中抽取相关语段来回答这个问题。'
-- text: ' 从文中可以找到这样一个语段："直到某一天，迷途的冒险家发现了他们。无影人惊奇地发现这名冒险家有一个亦步亦趋的追随者，寡言且忠实。" 这段描述了无影人是如何发现自己存在的，冒险家发现了这个没有影子的族群，而无影人是其中之一。因此，答案是：冒险家发现了无影人并告诉他们存在的存在。'
-- text: ' 从给出的叙述中，没有明确提到风雪是否有所消退的相关语段。'
-- text: ' 从文章中，我们可以找到关于年轻人（姆）失去的信息是，他们去了璃月港务工，每月寄回钱给家人，但是看到城市繁华和便利，可能永远不会回来生活了。因此，年轻人失去了与家人和轻策山庄的常居和生活方式。'
-- text: ' 从文章中，没有明确提到帕西法尔少爷的继承顺位或者他为什么要推进它。只有渔船老板提到人世的规矩，强调没有人做自己不喜欢的工作才能成事。'
-pipeline_tag: text-classification
-inference: true
-base_model: BAAI/bge-small-zh-v1.5
-model-index:
-- name: SetFit with BAAI/bge-small-zh-v1.5
-  results:
-  - task:
-      type: text-classification
-      name: Text Classification
-    dataset:
-      name: Unknown
-      type: unknown
-      split: test
-    metrics:
-    - type: accuracy
-      value: 1.0
-      name: Accuracy
----
-# SetFit with BAAI/bge-small-zh-v1.5
-This is a [SetFit](https://github.com/huggingface/setfit) model that can be used for Text Classification. This SetFit model uses [BAAI/bge-small-zh-v1.5](https://huggingface.co/BAAI/bge-small-zh-v1.5) 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:** [BAAI/bge-small-zh-v1.5](https://huggingface.co/BAAI/bge-small-zh-v1.5)
-- **Classification head:** a [LogisticRegression](https://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LogisticRegression.html) instance
-- **Maximum Sequence Length:** 512 tokens
-- **Number of Classes:** 2 classes
-<!-- - **Training Dataset:** [Unknown](https://huggingface.co/datasets/unknown) -->
-<!-- - **Language:** Unknown -->
-<!-- - **License:** Unknown -->
-### 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                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                           |
-|:------|:-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
-| 0     | <ul><li>' 从文本中，没有明确提到���西法尔少爷推进继承顺位的原因。相关的语段仅描述了爱薇艾小姐引用了国王亚尔杰代伊的话，但是人们没有表达出什么感受，然后转向了下周的舞会。拉塔尔勋爵准备讲述关于高塔、巫师和玻璃球的传说，但是克里克先生打断了他。因此，没有包含"问题: 为什么帕西法尔少爷忍不住要将自己的继承顺位向前推进？"相关的语段。'</li><li>' 从文章中，我没有看到包含 "问题: 如果回到蒙德，那么什么路上的绊石只剩一个了?" 这句话的相关语段。因此，我无法提供答案。'</li><li>' 从给出的叙述中，没有明确提到失血和严寒对心智产生什么影响。'</li></ul>                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                           |
-| 1     | <ul><li>' 从文中可以找到以下相关语段：\n\n1. "无影人中的一人说，「梦？我们的人已经很久不会做梦。」"\n2. "「梦？你们的人已经很久不会做梦。」"\n3. "「梦魇比你所想象的更狡猾。当它们发现你的所为，就会蜂拥而起，将你拖入无光之境。在那里没有影子的边界，你无法离开。」"\n\n从这些语段中可以得出，无影人是一个没有梦的人，而梦是藏有灵魂秘密的东西。梦魇是一个更狡猾的存在，如果发现无影人的行动，会将其拖入无光之境，这个地方没有影子边界，无法离开。因此，无影人的能力是无梦和无影。'</li><li>' 年轻的魔法师失去了被大贤人收为徒弟的机会。'</li><li>' 由于先前发生的事件使我们失去了前一本日志，可能无法恢复它。因此，我们最终还是没有能够打开那扇大门。尽管壁画和英戈伯特老爷期待的古代武器等等，但最终都失败了。当我们回到雪山阳面的营地时，同侪中的某人还没有回来。虽然我们希望他们顺利下山，带着补给和救兵回来，但现在我们的补给已经不足了。虽然这可能很残酷，但密室的圆形大门前的塌方不仅夺走了尼克，还夺走了我们委托尼克保管的燃料和食物。虽然我们曾经说过先勘探遗迹结构的完整性。\n\n这几天的经历可能让我变得更加冷酷了。可能是绝望的环境对人造成了影响。但是厄伯哈特少爷却让人钦佩，即使遇到了这些事情，还能保持冷静思考的能力。即使只是私生子，他也是一个能配得上一族名字的人。\n\n我们将在风雪稍微消散之后，按照厄伯哈特少爷的建议，去西南侧的遗迹地窖去。根据他的解释，这里独特的严寒可能有着很久以前留下来的东西。虽然很不可思议，但这里特殊的严寒有着保存物资的能力。\n\n问题：为什么今天决定不去勘探西南面的遗迹地窖，而是去有着闭锁的密室？\n答案：由于我们失去了前一本日志，可能无法恢复它，导致我们无法确定西南面的遗迹地窖的情况。同时，密室前有着夺走了我们补给和燃料的塌方，使我们面临着不足够补给和燃料的问题。因此，我们决定去密室中寻找帮助。'</li></ul> |
-## Evaluation
-### Metrics
-| Label   | Accuracy |
-|:--------|:---------|
-| **all** | 1.0      |
-## 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("setfit_model_id")
-# Run inference
-preds = model(" 从给出的叙述中，没有明确提到风雪是否有所消退的相关语段。")
-```
-<!--
-### Downstream Use
-*List how someone could finetune this model on their own dataset.*
--->
-<!--
-### Out-of-Scope Use
-*List how the model may foreseeably be misused and address what users ought not to do with the model.*
--->
-<!--
-## Bias, Risks and Limitations
-*What are the known or foreseeable issues stemming from this model? You could also flag here known failure cases or weaknesses of the model.*
--->
-<!--
-### Recommendations
-*What are recommendations with respect to the foreseeable issues? For example, filtering explicit content.*
--->
-## Training Details
-### Training Set Metrics
-| Training set | Min | Median | Max |
-|:-------------|:----|:-------|:----|
-| Word count   | 2   | 7.0    | 138 |
-| Label | Training Sample Count |
-|:------|:----------------------|
-| 0     | 65                    |
-| 1     | 65                    |
-### Training Hyperparameters
-- batch_size: (16, 16)
-- num_epochs: (1, 1)
-- 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
-- seed: 42
-- eval_max_steps: -1
-- load_best_model_at_end: True
-### Training Results
-| Epoch   | Step    | Training Loss | Validation Loss |
-|:-------:|:-------:|:-------------:|:---------------:|
-| 0.0019  | 1       | 0.238         | -               |
-| 0.0931  | 50      | 0.1207        | -               |
-| 0.1862  | 100     | 0.0126        | -               |
-| 0.2793  | 150     | 0.005         | -               |
-| 0.3724  | 200     | 0.0035        | -               |
-| 0.4655  | 250     | 0.0028        | -               |
-| 0.5587  | 300     | 0.0029        | -               |
-| 0.6518  | 350     | 0.0027        | -               |
-| 0.7449  | 400     | 0.0039        | -               |
-| 0.8380  | 450     | 0.0028        | -               |
-| 0.9311  | 500     | 0.0028        | -               |
-| **1.0** | **537** | **-**         | **0.0004**      |
-* The bold row denotes the saved checkpoint.
-### Framework Versions
-- Python: 3.10.12
-- SetFit: 1.0.3
-- Sentence Transformers: 2.4.0
-- Transformers: 4.38.1
-- PyTorch: 2.0.1+cu118
-- Datasets: 2.17.1
-- 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}
-}
-```
-<!--
-## Glossary
-*Clearly define terms in order to be accessible across audiences.*
--->
-<!--
-## Model Card Authors
-*Lists the people who create the model card, providing recognition and accountability for the detailed work that goes into its construction.*
--->
-<!--
-## Model Card Contact
-*Provides a way for people who have updates to the Model Card, suggestions, or questions, to contact the Model Card authors.*
--->