/ Модель

Характеристики

Контекст
514 токенов
Параметры
137 млн
Лицензия
MIT
Архитектура
mpnet · dense
Опубликована
21 окт 2022

setfit-ag-news-endpoint

Классификация текстаТекст → label

Классификатор SetFit на базе MPNet распределяет новостные тексты по категориям AG News, используя модель, обученную на небольшом числе примеров.

20скачиваний за 30 дней8лайковвеса обновлены21 окт 2022

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Модель SetFit AG News — классификатор текстов, дообученный Филиппом Шмидом на датасете AG News с использованием метода SetFit. Она распределяет новостные тексты по четырём категориям датасета; обучение проведено всего на 32 примерах — по 8 на класс. В README сообщается точность 0,87 на тестовой выборке.

Модель основана на sentence-transformers/all-mpnet-base-v2 и использует архитектуру MPNet; в метаданных указано 136,7 млн параметров и контекст до 514 токенов. Репозиторий также содержит пример обработчика для развертывания через Hugging Face Inference Endpoints. Лицензия — MIT. Показанная оценка относится к тестированию на AG News и не гарантирует такое же качество на других типах текстов.

Сценарии применения

  • классификация новостей по категориям AG News
  • распределение новостных заголовков по темам
  • быстрое прототипирование классификатора на малом числе размеченных примеров

Ограничения

Модель обучена только на 32 примерах AG News, а заявленная точность 0,87 относится к тестовой выборке этого датасета; качество на других данных может отличаться. Контекст ограничен 514 токенами.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

SetFit AG News

This is a SetFit classifier fine-tuned on the AG News dataset. The model was created following the Outperform OpenAI GPT-3 with SetFit for text-classifiation blog post of Philipp Schmid.

The model achieves an accuracy of 0.87 on the test set and was only trained with 32 total examples (8 per class).

***** Running evaluation *****
model used: sentence-transformers/all-mpnet-base-v2
train dataset: 32 samples
accuracy: 0.8731578947368421

What is SetFit?

"SetFit" (https://arxiv.org/abs/2209.11055) is a new approach that can be used to create high accuracte text-classification models with limited labeled data. SetFit is outperforming GPT-3 in 7 out of 11 tasks, while being 1600x smaller. Check out the blog to learn more: Outperform OpenAI GPT-3 with SetFit for text-classifiation

Inference Endpoints

The model repository also implements a generic custom handler.py as an example for how to use SetFit models with inference-endpoints.

Code: https://huggingface.co/philschmid/setfit-ag-news-endpoint/blob/main/handler.py

Send requests with Pyton

We are going to use requests to send our requests. (make your you have it installed pip install requests)

import json
import requests as r

ENDPOINT_URL=""# url of your endpoint
HF_TOKEN=""

# payload samples
regular_payload = { "inputs": "Coming to The Rescue Got a unique problem? Not to worry: you can find a financial planner for every specialized need"}

# HTTP headers for authorization
headers= {
    "Authorization": f"Bearer {HF_TOKEN}",
    "Content-Type": "application/json"
}

# send request
response = r.post(ENDPOINT_URL, headers=headers, json=paramter_payload)
classified = response.json()

print(classified)
# [ { "label": "World", "score": 0.12341519122860946 }, { "label": "Sports", "score": 0.11741269832494523 }, { "label": "Business", "score": 0.6124446065942992 }, { "label": "Sci/Tech", "score": 0.14672750385214603 } ]

curl example

curl https://YOURDOMAIN.us-east-1.aws.endpoints.huggingface.cloud \
-X POST \
-d '{"inputs": "Coming to The Rescue Got a unique problem? Not to worry: you can find a financial planner for every specialized need"}' \
-H "Authorization: Bearer XXX" \
-H "Content-Type: application/json"

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Нельзя запустить

Модели SetFit требуют отдельного рантайма.

Класс архитектуры
MPNetModel
Ревизия весов
70addba

0 моделей