Add SetFit model

.gitattributes

@@ -33,3 +33,4 @@ saved_model/**/* filter=lfs diff=lfs merge=lfs -text
 *.zip filter=lfs diff=lfs merge=lfs -text
 *.zst filter=lfs diff=lfs merge=lfs -text
 *tfevents* filter=lfs diff=lfs merge=lfs -text
+tokenizer.json filter=lfs diff=lfs merge=lfs -text

1_Pooling/config.json

@@ -0,0 +1,10 @@
+{
+  "word_embedding_dimension": 384,
+  "pooling_mode_cls_token": false,
+  "pooling_mode_mean_tokens": true,
+  "pooling_mode_max_tokens": false,
+  "pooling_mode_mean_sqrt_len_tokens": false,
+  "pooling_mode_weightedmean_tokens": false,
+  "pooling_mode_lasttoken": false,
+  "include_prompt": true
+}

README.md

@@ -0,0 +1,204 @@
+---
+base_model: microsoft/Multilingual-MiniLM-L12-H384
+library_name: setfit
+metrics:
+- accuracy
+pipeline_tag: text-classification
+tags:
+- setfit
+- sentence-transformers
+- text-classification
+- generated_from_setfit_trainer
+widget:
+- text: 'பரபரப்பான அரசியலுக்கு மத்தியில் மக்களை மகிழ்விக்கும் இரண்டு ஜோக்கர்கள்
+
+    #நாங்கநலமாஇல்லை_ஸ்டாலின்
+
+    #DrugLordSudalai #Drug_Mafia_Kazhagam #dravidamodel #Resign_Stalin #DmkDrugSmugglers
+    #DMKFails #GoBackstalin #drugs #Drugs_Mafia_DMK #DMKFails #dmkgovernment #DMKFailsTN
+    #Election2024 '
+- text: "திராவிட மாடலின் வளர்ச்சி என்பது சான்றுடன் நிரூபிக்கப்பட்டது! போலியாக உருவாக்கப்பட்ட\
+    \ பிம்பமல்ல!\n#Dravidianmodel \n#Vote4DMK "
+- text: '"பயனற்ற MP-யாக மாறன் இருக்கிறார்"
+
+    #VinojPSelvam #dayanidhimaran #dmk
+
+    #bjp #CentralChennai '
+- text: "நேரிடியாக தனது ஆதரவை பாடலின் மூலம் *நாம் தமிழர் கட்சியின் மைக் சின்னத்திற்கு*\
+    \ வாக்கு கேட்டு *அண்ணன் விஜய்* அவர்கள் பாடிய பாடல். \n\nகேம்பைன தான் தொறக்கட்டுமா...\n\
+    *#மைக் க கையில் எடுக்கட்டுமா...*\n\nஎன்று பாடியுள்ளார்\n#மக்களின்_சின்னம்_மைக் "
+- text: "நமது சின்னம் ஒலிவாங்கி (மைக்)\n#மக்களின்_சின்னம்_மைக்\n#Mike_VoiceOfPeople\n\
+    #Elections2024\n#கள்ளக்குறிச்சி\n \n "
+inference: true
+---
+
+# SetFit with microsoft/Multilingual-MiniLM-L12-H384
+
+This is a [SetFit](https://github.com/huggingface/setfit) model that can be used for Text Classification. This SetFit model uses [microsoft/Multilingual-MiniLM-L12-H384](https://huggingface.co/microsoft/Multilingual-MiniLM-L12-H384) 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:** [microsoft/Multilingual-MiniLM-L12-H384](https://huggingface.co/microsoft/Multilingual-MiniLM-L12-H384)
+- **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:** 7 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                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                |
+|:------|:------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
+| 2     | <ul><li>'#மக்களின்_சின்னம்_மைக் \n#Mike_VoiceOfPeople \n#Seeman\n\nகனிம வளங்கள் \nயாரு யாரால் கொள்ளை அடிக்க பட்டது ?\n\n#பாசிச_பாஜக #திருட்டு_திமுக \n#அடிமைஅதிமுக  #செத்துபோன_காங்கிரஸ் '</li><li>'கனவுகளை வெளிப்படுத்தும் \nதலைவர்களுடன் \nஎங்களின்\nசின்னம் 🎙️.\n\n#மக்களின்_சின்னம்_மைக்.\n\n~\n#சீமானின்_சின்னம்_ஒலிவாங்கி 🎙️'</li><li>'டேய் உபிஸ், எனக்கு ஒரு\nஉண்மை தெரிஞ்சாகணும்...\n\nஇந்த பொட்டி கோவாலு அப்போ\nபேசுனது பொய்யா இல்ல இப்போ\nபேசுறது பொய்யா!? 😬😂\n#NoVoteToDMK\n\n#Katchatheevu #IPL2024 #2GScam\n#SenthilBalaji #Drug_Mafia_DMK\n#PappuDiwas #EDRaid #DMKFailsTN '</li></ul>                                                                    |
+| 0     | <ul><li>'கட்சி மாறிய 19 Ex.MLA க்கள், ஸ்டாலினுக்கு முத்தம், TR பாலுவின் கணக்கு | Fine Time Media\n#congressibrahim #annamalai #mkstalin #dmk #bjp #udhayanidhi #edappadi #admk #pmk #dmdk #modi #Finetimemedia\n\n'</li><li>'#ElectionUpdate | “15 சீட்டும், ₹1,000 கோடியும் தருவதாக கூட்டணிக்கு கூப்பிட்டாங்க. ஆனால் நான் போகல..!” -சீமான்\n\n#SunNews | #Seeman | #ElectionsWithSunNews '</li><li>'பிரதமர் ரோடு ஷோ - செல்லூர் ராஜூ விமர்சனம்\n\n#modi #modiroadshow #chennai #sellurraju #admk #Elections2024 #electionupdatewithsavukkumedia #electionwithSavukkuMedia #savukkumedia '</li></ul>                                                                     |
+| 6     | <ul><li>'ஜீவநதி ப்ரியன்\xa0 mm ok'</li><li>'Siva Siva\xa0 என்னது'</li><li>'கவலைகள் மறந்து சிரிக்கTMP prank paarunkaEnjoy pannunka'</li></ul>                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                            |
+| 3     | <ul><li>'#நாம்தமிழர் கட்சிக்கு ஆதரவாக லண்டன் ஈழதமிழர்கள்..\n\nநாம்தமிழர் என்பது அனைத்து உலக தமிழர்களுக்கானது..\n\n#ParliamentElection2024\n\n#சீமானின்_சின்னம்_ஒலிவாங்கி\n#NTK_Symbol_Mike '</li><li>'ஒவ்வொரு வாக்கும்  நம் இனம் காக்கும்\n#மக்களின்_சின்னம்_மைக் '</li><li>'சகோதரர் ராகுல் காந்திக்கு ஜூன் 4ல் இனிப்பான வெற்றியை தருவோம்- முதலமைச்சர் மு.க.ஸ்டாலின்\n\n#TNCM #MKStalin #sweetvictory #RahulGandhi #DMK #Congress #Tamilnadunews #Jewellery #Jewelleryseized #Madurai #Siddaramaiah #KarnatakaCM #NDA #Congress #ipl #ipl2024 #PunjabvsRajasthan #Cricket #Sportsnews #MMNews #Maalaimalar'</li></ul>                                                   |
+| 4     | <ul><li>'அக் - 17-ம் தேதி 52வது ஆண்டில் அடியெடுத்து வைக்கும் அதிமுக  | NewsJ   \n#admk #admknews #eps #edappadikpalanisamy #edappadi #newsj #newsjtamil \n\n'</li><li>'தமிழகம் முழுவதும் மதுவிற்கு அடிமைகளை உருவாக்கியாச்சி\n \nஇனிமேல் தைரியமா விலையை ஏற்றலாம் என்று நம்பிக்கையுடன் \n1 லட்சம் கோடி வருமானத்தை எதிர்நோக்கி திராவிட மாடல் வெற்றிநடை போடுகிறது...\n\n#திராவிடமாடல்பரிதாபங்கள் \n#டாஸ்மாக்அடிமைகள் \n#மதுவின்அடிமைகள் \n#சாராயமாடல் '</li><li>'கோவையில் முதலமைச்சர் ஸ்டாலின் பிரச்சாரம்\n\n#UpdateNews | #DMK | #MKStalin | #Congress | #RahulGandhi | #LokSabhaElections2024 | #Coimbatore | #ElectionCampaign | #TamilNews | #UpdateNews360 '</li></ul> |
+| 1     | <ul><li>'ஜனநாயத்தின் நம் வாக்கு என்பது  வலிமைமிக்க ஆயுதம்\nஅதை அநீதிக்கு எதிராக ஏந்துவோம்! \n\n \n\n#மக்களின்_சின்னம்_ஒலிவாங்கி #Mike_ThePeoplesChoice \n#Elections2024 \n#எங்கள்_வாக்கு_விற்பனைக்கு_அல்ல \n#MyVote_IsNot_ForSale '</li><li>'அண்டப்புளுகு ஆகாசப்புளுகு திமுக.\n\nமக்கள எந்தளவுக்கு முட்டாள் பயலுக ன்னு நெனைக்கிறாய்ங்க?\n\n#DMKFailsTN'</li><li>'கோவையில் நடைபெறும் பிரம்மாண்ட பொதுக்கூட்டத்தில் முதலமைச்சர் மு.க.ஸ்டாலின் மற்றும் ராகுல் காந்தி\n\n#Kovai #MKStalin #Rahul_Gandhi #DinakaranNews '</li></ul>                                                                                                                                           |
+| 5     | <ul><li>'MGRன் அதிமுக இன்று இல்லை  அதிமுக கோட்டையை தகர்த்த திமுக!\n\nFull video limk : \n\n#Nakkheeran #MKStalin #DMK '</li><li>'ஜெயலலிதா ஆட்சியில் தமிழ்நாட்டிற்கு வர அஞ்சும் மோடி எடப்பாடி ஆட்சிக்காலத்திலும் வந்தது குறைவு..\nஆனால் ஸ்டாலின் ஆட்சிக்காலத்தில் வாரவிடுமுறை போல் அடிக்கடி தமிழ்நாடு வருகிறார்.  அது மட்டுமல்ல RSS ஊர்வலமும் நடக்கிறது.   புரிகிறதா திமுக பிஜேபி கள்ள உறவு…'</li><li>'கோவையில் முதலமைச்சர் மு.க.ஸ்டாலின், காங்கிரஸ் எம்.பி. ராகுல் காந்தி கூட்டாக தேர்தல் பரப்புரை!\n\n#Theekkathir | #Coimbatore | #INDIAAlliance | #RahulGandhi | #MKStalin '</li></ul>                                                                               |
+
+## 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("livinNector/tam-political-classification-setfit")
+# Run inference
+preds = model("\"பயனற்ற MP-யாக மாறன் இருக்கிறார்\"
+#VinojPSelvam #dayanidhimaran #dmk
+#bjp #CentralChennai ")
+```
+
+<!--
+### 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   | 1   | 17.8534 | 348 |
+
+| Label | Training Sample Count |
+|:------|:----------------------|
+| 0     | 1361                  |
+| 1     | 790                   |
+| 2     | 637                   |
+| 3     | 575                   |
+| 4     | 412                   |
+| 5     | 406                   |
+| 6     | 171                   |
+
+### Training Hyperparameters
+- batch_size: (32, 32)
+- num_epochs: (1, 1)
+- max_steps: -1
+- sampling_strategy: oversampling
+- num_iterations: 1
+- body_learning_rate: (2e-05, 1e-05)
+- head_learning_rate: 0.01
+- loss: CosineSimilarityLoss
+- distance_metric: cosine_distance
+- margin: 0.25
+- end_to_end: True
+- use_amp: False
+- warmup_proportion: 0.1
+- l2_weight: 0.01
+- seed: 42
+- eval_max_steps: -1
+- load_best_model_at_end: True
+
+### Training Results
+| Epoch  | Step | Training Loss | Validation Loss |
+|:------:|:----:|:-------------:|:---------------:|
+| 0.0074 | 1    | 0.438         | -               |
+| 0.3676 | 50   | 0.3051        | -               |
+| 0.7353 | 100  | 0.2648        | 0.2556          |
+
+### Framework Versions
+- Python: 3.10.12
+- SetFit: 1.1.0
+- Sentence Transformers: 3.3.1
+- Transformers: 4.45.2
+- PyTorch: 2.4.1+cu121
+- Datasets: 3.2.0
+- Tokenizers: 0.20.3
+
+## 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.*
+-->

config.json

@@ -0,0 +1,26 @@
+{
+  "_name_or_path": "microsoft/Multilingual-MiniLM-L12-H384",
+  "architectures": [
+    "BertModel"
+  ],
+  "attention_probs_dropout_prob": 0.1,
+  "classifier_dropout": null,
+  "hidden_act": "gelu",
+  "hidden_dropout_prob": 0.1,
+  "hidden_size": 384,
+  "initializer_range": 0.02,
+  "intermediate_size": 1536,
+  "layer_norm_eps": 1e-12,
+  "max_position_embeddings": 512,
+  "model_type": "bert",
+  "num_attention_heads": 12,
+  "num_hidden_layers": 12,
+  "pad_token_id": 0,
+  "position_embedding_type": "absolute",
+  "tokenizer_class": "XLMRobertaTokenizer",
+  "torch_dtype": "float32",
+  "transformers_version": "4.45.2",
+  "type_vocab_size": 2,
+  "use_cache": true,
+  "vocab_size": 250037
+}

config_sentence_transformers.json

@@ -0,0 +1,10 @@
+{
+  "__version__": {
+    "sentence_transformers": "3.3.1",
+    "transformers": "4.45.2",
+    "pytorch": "2.4.1+cu121"
+  },
+  "prompts": {},
+  "default_prompt_name": null,
+  "similarity_fn_name": "cosine"
+}

config_setfit.json

@@ -0,0 +1,4 @@
+{
+  "normalize_embeddings": false,
+  "labels": null
+}

model.safetensors

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:a60c332dd1e85d41e43aae1ca9253ffec799d3218b45ce401aa3f1e8417e0b28
+size 470637416

model_head.pkl

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:02e8b2fe7c8b93924218cd8e99d801dd57d69b31e2a5e3dc12a5625b41e8684d
+size 22463

modules.json

@@ -0,0 +1,14 @@
+[
+  {
+    "idx": 0,
+    "name": "0",
+    "path": "",
+    "type": "sentence_transformers.models.Transformer"
+  },
+  {
+    "idx": 1,
+    "name": "1",
+    "path": "1_Pooling",
+    "type": "sentence_transformers.models.Pooling"
+  }
+]

sentence_bert_config.json

@@ -0,0 +1,4 @@
+{
+  "max_seq_length": 512,
+  "do_lower_case": false
+}

sentencepiece.bpe.model

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:cfc8146abe2a0488e9e2a0c56de7952f7c11ab059eca145a0a727afce0db2865
+size 5069051

special_tokens_map.json

@@ -0,0 +1,15 @@
+{
+  "bos_token": "<s>",
+  "cls_token": "<s>",
+  "eos_token": "</s>",
+  "mask_token": {
+    "content": "<mask>",
+    "lstrip": true,
+    "normalized": false,
+    "rstrip": false,
+    "single_word": false
+  },
+  "pad_token": "<pad>",
+  "sep_token": "</s>",
+  "unk_token": "<unk>"
+}

tokenizer.json

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:3ea2d57e1ab5ebb5789b8e8e6f9593a996e8b624f870e6f55f63abe5359ff32c
+size 17098504

tokenizer_config.json

@@ -0,0 +1,55 @@
+{
+  "added_tokens_decoder": {
+    "0": {
+      "content": "<s>",
+      "lstrip": false,
+      "normalized": false,
+      "rstrip": false,
+      "single_word": false,
+      "special": true
+    },
+    "1": {
+      "content": "<pad>",
+      "lstrip": false,
+      "normalized": false,
+      "rstrip": false,
+      "single_word": false,
+      "special": true
+    },
+    "2": {
+      "content": "</s>",
+      "lstrip": false,
+      "normalized": false,
+      "rstrip": false,
+      "single_word": false,
+      "special": true
+    },
+    "3": {
+      "content": "<unk>",
+      "lstrip": false,
+      "normalized": false,
+      "rstrip": false,
+      "single_word": false,
+      "special": true
+    },
+    "250001": {
+      "content": "<mask>",
+      "lstrip": true,
+      "normalized": false,
+      "rstrip": false,
+      "single_word": false,
+      "special": true
+    }
+  },
+  "bos_token": "<s>",
+  "clean_up_tokenization_spaces": false,
+  "cls_token": "<s>",
+  "eos_token": "</s>",
+  "mask_token": "<mask>",
+  "model_max_length": 1000000000000000019884624838656,
+  "pad_token": "<pad>",
+  "sep_token": "</s>",
+  "sp_model_kwargs": {},
+  "tokenizer_class": "XLMRobertaTokenizer",
+  "unk_token": "<unk>"
+}