在 Hugging Face 中使用 SetFit

SetFit 是一個高效且無需提示詞（prompt-free）的框架，用於對 Sentence Transformers 進行少樣本微調。它只需少量標註資料即可實現高精度——例如，在客戶評論情感資料集上，每個類別僅使用 8 個標註樣本，SetFit 的效能就可與在 3000 個樣本的完整訓練集上微調的 RoBERTa Large 相媲美 🤯！

與其他少量樣本學習方法相比，SetFit 具有幾個獨特的特性

🗣 無需提示詞或轉換器（verbalizers）： 當前的少樣本微調技術需要手工製作提示詞或轉換器，將樣本轉換為適合底層語言模型的格式。SetFit 完全摒棄了提示詞，透過直接從文字樣本中生成豐富的嵌入向量來實現。
🏎 訓練速度快： SetFit 無需像 T0 或 GPT-3 這樣的大規模模型也能實現高精度。因此，其訓練和推理速度通常快一個數量級（或更多）。
🌎 多語言支援：SetFit 可以與 Hub 上的任何 Sentence Transformer 模型一起使用，這意味著你只需微調一個多語言檢查點，就可以對多種語言的文字進行分類。

在 Hub 上探索 SetFit

你可以在模型頁面左側進行篩選，找到 SetFit 模型。

Hub 上的所有模型都具有以下實用功能：

自動生成的模型卡片，包含簡要描述。
一個互動式小部件，您可以在瀏覽器中直接使用模型進行操作。
一個推理 API，允許您發出推理請求。

安裝

首先，你可以按照 SetFit 安裝指南進行操作。你也可以透過 pip 使用以下單行命令安裝：

pip install -U setfit

使用現有模型

所有 setfit 模型都可以輕鬆地從 Hub 載入。

from setfit import SetFitModel

model = SetFitModel.from_pretrained("tomaarsen/setfit-paraphrase-mpnet-base-v2-sst2-8-shot")

載入後，你可以使用 SetFitModel.predict 進行推理。

model.predict("Amelia Earhart flew her single engine Lockheed Vega 5B across the Atlantic to Paris.")

['positive', 'negative']

如果你想載入一個特定的 SetFit 模型，可以點選“在 SetFit 中使用（Use in SetFit）”，系統會提供一個可用的程式碼片段！

其他資源

< > 在 GitHub 上更新