amd-partial-v1

amd-partial-v1 项目介绍

项目背景

amd-partial-v1 是一个基于 SetFit 框架的文本分类项目。SetFit 是一种高效的少样本学习技术，专注于通过对句子变换模型的对比学习进行微调，然后使用一个逻辑回归分类头进行分类。该项目的主要目标是对文本进行分类。

模型详细信息

模型描述

• 模型类型: SetFit
• 句子变换器主体: 使用的是 sentence-transformers/paraphrase-mpnet-base-v2
• 分类头: 采用逻辑回归实例
• 最大序列长度: 512 个标记
• 类别数: 2 个类别（人类与机器）

模型来源

• 代码库: GitHub 上的 SetFit
• 相关论文: 《无需提示的高效少样本学习》
• 博客文章: SetFit: 高效的少样本学习

模型标签示例

• machine: “您的电话已转接至语音信箱”，“Neil Capel。Raju 暂时无法接听。”
• human: “这是 Tom。你好？”，“这是 Sarah。”

评价指标

amd-partial-v1 模型的整体准确率达到了 96.76%。

使用方法

直接用于推理

要使用此模型进行推理，首先需要安装 SetFit 库：

pip install setfit

然后加载模型并进行推理：

from setfit import SetFitModel

# 从 HuggingFace 中心下载模型
model = SetFitModel.from_pretrained("nikcheerla/amd-partial-v1")
# 运行推理
preds = model("Hello?")

训练细节

训练集指标

• 训练集样本数: 人为输入 1489 条，机器输入 6405 条
• 训练集中单词计数范围: 最小 1，最大 18，平均值约为 7.68

训练超参数

• 批量大小: (64, 64)
• 训练轮次: 3
• 采样策略: 过采样
• 迭代次数: 20
• 学习率: 主体 (2e-05, 1e-05)，头部 0.01
• 损失函数: CosineSimilarityLoss
• 距离度量: 余弦距离

训练结果

训练过程中的损失和验证损失变化如下：

技术栈与工具版本

• Python: 3.10.12
• SetFit: 1.0.1
• Sentence Transformers: 2.2.2
• Transformers: 4.35.2
• PyTorch: 2.0.1+cu118
• Datasets: 2.16.1
• Tokenizers: 0.15.0

引用

如果需要引用这项研究，可以使用以下 BibTeX 格式：

@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}
}

通过这种技术，项目在文本分类上取得了卓越的结果，为文本数据处理提供了一种高效而简单的方法。