使用 SetFit 与 Hugging Face

SetFit 是一个高效且无需提示（prompt-free）的框架，用于对 Sentence Transformers 进行少样本微调。它仅需少量标注数据即可实现高精度——例如，在 Customer Reviews 情感数据集上，每类仅使用 8 个标注样本，SetFit 的表现可与在包含 3k 个样本的完整训练集上微调 RoBERTa Large 相媲美 🤯！

与其他少样本学习方法相比，SetFit 具有几个独特的特点：

• 🗣 无需提示词或 verbalizer： 当前用于少样本微调的技术需要手工设计的提示词或 verbalizer，将示例转换为适合底层语言模型的格式。SetFit 通过直接从文本示例生成丰富的嵌入，完全摒弃了提示词。
• 🏎 训练速度快：SetFit 无需使用 T0 或 GPT-3 这样的大规模模型即可实现高精度。因此，其训练和推理速度通常快一个数量级（甚至更多）。
• 🌎 多语言支持：SetFit 可以使用 Hub 上的任意 Sentence Transformer，这意味着你只需微调一个多语言检查点，即可对多种语言的文本进行分类。

在 Hub 上探索 SetFit

您可以在模型页面左侧进行筛选，以查找 SetFit 模型。

Hub 上的所有模型都具备以下实用功能：

1. 自动生成的模型卡片，包含简要描述。
2. 一个交互式小部件，可直接在浏览器中操作该模型。
3. 一个推理提供商小部件，允许您发起推理请求。

安装

要开始使用，您可以按照SetFit 安装指南进行操作。您也可以通过 pip 使用以下单行命令进行安装：

pip install -U setfit

使用现有模型

所有 setfit 模型都可以轻松地从 Hub 加载。

from setfit import SetFitModel

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

加载完成后，您可以使用 SetFitModel.predict 执行推理。

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

['positive', 'negative']

如果您想加载特定的 SetFit 模型，可以单击 Use in SetFit，即可获得可用的代码片段！

其他资源

• Hub 上所有可用的 SetFit 模型
• SetFit 仓库
• SetFit 文档
• SetFit 论文