Push model using huggingface_hub.

1_Pooling/config.json

@@ -0,0 +1,10 @@
+{
+  "word_embedding_dimension": 768,
+  "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 +1,315 @@
+---
+tags:
+- setfit
+- sentence-transformers
+- text-classification
+- generated_from_setfit_trainer
+widget:
+- text: 아레나 모던 대리석  다용도 도어 수납장 가구/인테리어>수납가구>수납장
+- text: 원목 문갑 약장 자개농 엔틱 고가구 거실 인테리어 선반 가구/인테리어>수납가구>고가구
+- text: 아카시아 대용량 2단 선반 행거 400호 가구/인테리어>수납가구>행거
+- text: 수납 박스 우드 원목 상자 케이스 나무함 정리함 바늘 실 가구/인테리어>수납가구>소품수납함
+- text: 엽서 진열대 전단지 전시대 디스플레이 회전 가판대 매거진 가구/인테리어>수납가구>잡지꽂이
+metrics:
+- accuracy
+pipeline_tag: text-classification
+library_name: setfit
+inference: true
+base_model: mini1013/master_domain
+model-index:
+- name: SetFit with mini1013/master_domain
+  results:
+  - task:
+      type: text-classification
+      name: Text Classification
+    dataset:
+      name: Unknown
+      type: unknown
+      split: test
+    metrics:
+    - type: accuracy
+      value: 1.0
+      name: Accuracy
+---
+
+# SetFit with mini1013/master_domain
+
+This is a [SetFit](https://github.com/huggingface/setfit) model that can be used for Text Classification. This SetFit model uses [mini1013/master_domain](https://huggingface.co/mini1013/master_domain) 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:** [mini1013/master_domain](https://huggingface.co/mini1013/master_domain)
+- **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:** 12 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                                                                                                                                                                                                    |
+|:------|:------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
+| 10.0  | <ul><li>'멜리사 거울 수납장 600 가구/인테리어>수납가구>코너장'</li><li>'아도라퍼니처 아동가구 모듈 4단 코너장 가구/인테리어>수납가구>코너장'</li><li>'거실 코너장 틈새 수납 수납장 모서리 장식 원목 삼각 가구/인테리어>수납가구>코너장'</li></ul>                                               |
+| 0.0   | <ul><li>'원목 LP 수납장 우드 레코드판 진열장 뉴송 정리 가구/인테리어>수납가구>CD/DVD장'</li><li>'원목 아크릴 레코드 진열대 랙 보관함 투명 lp정리함 가구/인테리어>수납가구>CD/DVD장'</li><li>'턴테이블 장식장 엘피장 LP 원목진열대 받침대 보관함 가구/인테리어>수납가구>CD/DVD장'</li></ul>              |
+| 3.0   | <ul><li>'PD몰 주물장식 나비 대 4번 주물자재 문종소품 가구/인테리어>수납가구>나비장'</li><li>'나비장 원목 앤틱 수납 장식장 가구/인테리어>수납가구>나비장'</li><li>'그라데이션조각컷팅 홈퍼니싱매장데코소품 이중겹날개나비장식 6p 가구/인테리어>수납가구>나비장'</li></ul>                                    |
+| 11.0  | <ul><li>'행거맨 옷 강력흡착 압축기 모기장 매장용 물밀대 옷걸이 시스템 조립식 미니 먼지털이 벽 가구/인테리어>수납가구>행거'</li><li>'행거 옷걸이 북유럽 옷걸이 원목 스탠드 미니 스탠딩 나무 행거 -17 나뭇가지 가구/인테리어>수납가구>행거'</li><li>'심플한 스탠행거 사무실 욕실 미니행거 가구/인테리어>수납가구>행거'</li></ul>   |
+| 4.0   | <ul><li>'팬트리선반 5단 펜트리 철제 다용도실 조립 시스템 베란다 가구/인테리어>수납가구>선반'</li><li>'마켓비 LEITER 선반 600 넓은 4단 가구/인테리어>수납가구>선반'</li><li>'원목 선반 베란다 정�� 우드 랙 다용도 진열대 심플 모듈 가구/인테리어>수납가구>선반'</li></ul>                             |
+| 2.0   | <ul><li>'아이리스 펠리칸 도어형 공간박스 STB-400D 가구/인테리어>수납가구>공간박스'</li><li>'온라인박스 택배박스 B골 66호 가구/인테리어>수납가구>공간박스'</li><li>'심스하임 400 공간박스 4단 24t W컷 안전 아이방 틈새 수납 미니 책장 꽂이 완제품 가구/인테리어>수납가구>공간박스'</li></ul>                |
+| 7.0   | <ul><li>'신발걸이 현관 벤치 북유럽 그물 빨간 신발장 가구/인테리어>수납가구>신발장'</li><li>'대용량 이동식 신발장 학원 기숙사 현관문 공부방 가구/인테리어>수납가구>신발장'</li><li>'현관 신발장 슬라이딩 초박형 학원 북유럽 붙박이 BD 가구/인테리어>수납가구>신발장'</li></ul>                                |
+| 8.0   | <ul><li>'우산 비닐 포장기 정리 봉투 보관 홀더 꽂이 업소 자동 혼합형 사무실 통 대용량 입구 빗물 가구/인테리어>수납가구>우산꽂이'</li><li>'설렘하우스 개업선물 큰우산 우산꽂이 특대 사이즈 업소용 설렘하우스 가구/인테리어>수납가구>우산꽂이'</li><li>'반투명 우산파우치 봉투 비닐 가구/인테리어>수납가구>우산꽂이'</li></ul>       |
+| 6.0   | <ul><li>'Fusion 접이식수납장 다용도 이동식 다층 접이식 리빙 박스 무설치 양문 가정용 거실 수납함 가구/인테리어>수납가구>수납장'</li><li>'제인2 미니수납장 작은 수납장 원룸 미닫이 슬라이드 슬라이딩 수납장 600 일반형 가구/인테리어>수납가구>수납장'</li><li>'JD홈드레싱 3단 도어장 가구/인테리어>수납가구>수납장'</li></ul> |
+| 5.0   | <ul><li>'Ac B8 청색 세로형 산다케이스 군 다산 64X91 가구/인테리어>수납가구>소품수납함'</li><li>'아트사인 원목 수납정리함 5칸 소품 정리 박스 미니 보관함 통 가구/인테리어>수납가구>소품수납함'</li><li>'플라스틱 헤라 가구/인테리어>수납가구>소품수납함'</li></ul>                                   |
+| 1.0   | <ul><li>'약장 오동나무 고가구 원목 나비장 가구/인테리어>수납가구>고가구'</li><li>'나전칠기 약장 원목 자개장 화초장 럭셔리 장식 캐비닛 가구/인테리어>수납가구>고가구'</li><li>'자개장 고가구 거실장 엔틱 빈티지 전통 가구/인테리어>수납가구>고가구'</li></ul>                                           |
+| 9.0   | <ul><li>'홍보책 잡지꽂이 책 진열대 잡지 매거진 팜플렛 거치대 선반 랙 가구/인테리어>수납가구>잡지꽂이'</li><li>'아크릴 양면 받침대 중 가구/인테리어>수납가구>잡지꽂이'</li><li>'인테리어용책 소품 잡지책 매거진 카페 쇼품 사무실 DP 가구/인테리어>수납가구>잡지꽂이'</li></ul>                                |
+
+## Evaluation
+
+### Metrics
+| Label   | Accuracy |
+|:--------|:---------|
+| **all** | 1.0      |
+
+## 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("mini1013/master_cate_fi5")
+# Run inference
+preds = model("아카시아 대용량 2단 선반 행거 400호 가구/인테리어>수납가구>행거")
+```
+
+<!--
+### 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   | 3   | 9.0095 | 20  |
+
+| Label | Training Sample Count |
+|:------|:----------------------|
+| 0.0   | 69                    |
+| 1.0   | 70                    |
+| 2.0   | 70                    |
+| 3.0   | 70                    |
+| 4.0   | 70                    |
+| 5.0   | 70                    |
+| 6.0   | 70                    |
+| 7.0   | 70                    |
+| 8.0   | 70                    |
+| 9.0   | 69                    |
+| 10.0  | 70                    |
+| 11.0  | 70                    |
+
+### Training Hyperparameters
+- batch_size: (256, 256)
+- num_epochs: (30, 30)
+- max_steps: -1
+- sampling_strategy: oversampling
+- num_iterations: 50
+- body_learning_rate: (2e-05, 1e-05)
+- head_learning_rate: 0.01
+- loss: CosineSimilarityLoss
+- distance_metric: cosine_distance
+- margin: 0.25
+- end_to_end: False
+- use_amp: False
+- warmup_proportion: 0.1
+- l2_weight: 0.01
+- seed: 42
+- eval_max_steps: -1
+- load_best_model_at_end: False
+
+### Training Results
+| Epoch   | Step | Training Loss | Validation Loss |
+|:-------:|:----:|:-------------:|:---------------:|
+| 0.0061  | 1    | 0.4852        | -               |
+| 0.3049  | 50   | 0.4994        | -               |
+| 0.6098  | 100  | 0.4134        | -               |
+| 0.9146  | 150  | 0.1731        | -               |
+| 1.2195  | 200  | 0.0287        | -               |
+| 1.5244  | 250  | 0.0058        | -               |
+| 1.8293  | 300  | 0.0003        | -               |
+| 2.1341  | 350  | 0.0001        | -               |
+| 2.4390  | 400  | 0.0001        | -               |
+| 2.7439  | 450  | 0.0001        | -               |
+| 3.0488  | 500  | 0.0           | -               |
+| 3.3537  | 550  | 0.0           | -               |
+| 3.6585  | 600  | 0.0           | -               |
+| 3.9634  | 650  | 0.0           | -               |
+| 4.2683  | 700  | 0.0           | -               |
+| 4.5732  | 750  | 0.0           | -               |
+| 4.8780  | 800  | 0.0           | -               |
+| 5.1829  | 850  | 0.0           | -               |
+| 5.4878  | 900  | 0.0           | -               |
+| 5.7927  | 950  | 0.0           | -               |
+| 6.0976  | 1000 | 0.0           | -               |
+| 6.4024  | 1050 | 0.0           | -               |
+| 6.7073  | 1100 | 0.0           | -               |
+| 7.0122  | 1150 | 0.0002        | -               |
+| 7.3171  | 1200 | 0.0001        | -               |
+| 7.6220  | 1250 | 0.0           | -               |
+| 7.9268  | 1300 | 0.0           | -               |
+| 8.2317  | 1350 | 0.0           | -               |
+| 8.5366  | 1400 | 0.0           | -               |
+| 8.8415  | 1450 | 0.0           | -               |
+| 9.1463  | 1500 | 0.0           | -               |
+| 9.4512  | 1550 | 0.0           | -               |
+| 9.7561  | 1600 | 0.0           | -               |
+| 10.0610 | 1650 | 0.0           | -               |
+| 10.3659 | 1700 | 0.0           | -               |
+| 10.6707 | 1750 | 0.0           | -               |
+| 10.9756 | 1800 | 0.0           | -               |
+| 11.2805 | 1850 | 0.0           | -               |
+| 11.5854 | 1900 | 0.0           | -               |
+| 11.8902 | 1950 | 0.0           | -               |
+| 12.1951 | 2000 | 0.0           | -               |
+| 12.5    | 2050 | 0.0           | -               |
+| 12.8049 | 2100 | 0.0           | -               |
+| 13.1098 | 2150 | 0.0           | -               |
+| 13.4146 | 2200 | 0.0           | -               |
+| 13.7195 | 2250 | 0.0           | -               |
+| 14.0244 | 2300 | 0.0           | -               |
+| 14.3293 | 2350 | 0.0           | -               |
+| 14.6341 | 2400 | 0.0           | -               |
+| 14.9390 | 2450 | 0.0           | -               |
+| 15.2439 | 2500 | 0.0           | -               |
+| 15.5488 | 2550 | 0.0           | -               |
+| 15.8537 | 2600 | 0.0           | -               |
+| 16.1585 | 2650 | 0.0           | -               |
+| 16.4634 | 2700 | 0.0           | -               |
+| 16.7683 | 2750 | 0.0           | -               |
+| 17.0732 | 2800 | 0.0           | -               |
+| 17.3780 | 2850 | 0.0           | -               |
+| 17.6829 | 2900 | 0.0           | -               |
+| 17.9878 | 2950 | 0.0           | -               |
+| 18.2927 | 3000 | 0.0           | -               |
+| 18.5976 | 3050 | 0.0           | -               |
+| 18.9024 | 3100 | 0.0           | -               |
+| 19.2073 | 3150 | 0.0           | -               |
+| 19.5122 | 3200 | 0.0           | -               |
+| 19.8171 | 3250 | 0.0           | -               |
+| 20.1220 | 3300 | 0.0           | -               |
+| 20.4268 | 3350 | 0.0           | -               |
+| 20.7317 | 3400 | 0.0           | -               |
+| 21.0366 | 3450 | 0.0           | -               |
+| 21.3415 | 3500 | 0.0           | -               |
+| 21.6463 | 3550 | 0.0           | -               |
+| 21.9512 | 3600 | 0.0           | -               |
+| 22.2561 | 3650 | 0.0           | -               |
+| 22.5610 | 3700 | 0.0           | -               |
+| 22.8659 | 3750 | 0.0           | -               |
+| 23.1707 | 3800 | 0.0           | -               |
+| 23.4756 | 3850 | 0.0           | -               |
+| 23.7805 | 3900 | 0.0           | -               |
+| 24.0854 | 3950 | 0.0           | -               |
+| 24.3902 | 4000 | 0.0           | -               |
+| 24.6951 | 4050 | 0.0           | -               |
+| 25.0    | 4100 | 0.0           | -               |
+| 25.3049 | 4150 | 0.0           | -               |
+| 25.6098 | 4200 | 0.0           | -               |
+| 25.9146 | 4250 | 0.0           | -               |
+| 26.2195 | 4300 | 0.0           | -               |
+| 26.5244 | 4350 | 0.0           | -               |
+| 26.8293 | 4400 | 0.0           | -               |
+| 27.1341 | 4450 | 0.0           | -               |
+| 27.4390 | 4500 | 0.0           | -               |
+| 27.7439 | 4550 | 0.0           | -               |
+| 28.0488 | 4600 | 0.0           | -               |
+| 28.3537 | 4650 | 0.0           | -               |
+| 28.6585 | 4700 | 0.0           | -               |
+| 28.9634 | 4750 | 0.0           | -               |
+| 29.2683 | 4800 | 0.0           | -               |
+| 29.5732 | 4850 | 0.0           | -               |
+| 29.8780 | 4900 | 0.0           | -               |
+
+### Framework Versions
+- Python: 3.10.12
+- SetFit: 1.1.0
+- Sentence Transformers: 3.3.1
+- Transformers: 4.44.2
+- PyTorch: 2.2.0a0+81ea7a4
+- Datasets: 3.2.0
+- Tokenizers: 0.19.1
+
+## 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 +1,29 @@
+{
+  "_name_or_path": "mini1013/master_item_fi",
+  "architectures": [
+    "RobertaModel"
+  ],
+  "attention_probs_dropout_prob": 0.1,
+  "bos_token_id": 0,
+  "classifier_dropout": null,
+  "eos_token_id": 2,
+  "gradient_checkpointing": false,
+  "hidden_act": "gelu",
+  "hidden_dropout_prob": 0.1,
+  "hidden_size": 768,
+  "initializer_range": 0.02,
+  "intermediate_size": 3072,
+  "layer_norm_eps": 1e-05,
+  "max_position_embeddings": 514,
+  "model_type": "roberta",
+  "num_attention_heads": 12,
+  "num_hidden_layers": 12,
+  "pad_token_id": 1,
+  "position_embedding_type": "absolute",
+  "tokenizer_class": "BertTokenizer",
+  "torch_dtype": "float32",
+  "transformers_version": "4.44.2",
+  "type_vocab_size": 1,
+  "use_cache": true,
+  "vocab_size": 32000
+}

config_sentence_transformers.json

@@ -0,0 +1,10 @@
+{
+  "__version__": {
+    "sentence_transformers": "3.3.1",
+    "transformers": "4.44.2",
+    "pytorch": "2.2.0a0+81ea7a4"
+  },
+  "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:faca39721843ffba27a92c824abac50538bcf78637055da0d08afeca8e797b9d
+size 442494816

model_head.pkl

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:4468b3d340021d9ca16fcba5f5bc22282965f98258db2edea67ddb02a1b2f47d
+size 74727

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
+}

special_tokens_map.json

@@ -0,0 +1,51 @@
+{
+  "bos_token": {
+    "content": "[CLS]",
+    "lstrip": false,
+    "normalized": false,
+    "rstrip": false,
+    "single_word": false
+  },
+  "cls_token": {
+    "content": "[CLS]",
+    "lstrip": false,
+    "normalized": false,
+    "rstrip": false,
+    "single_word": false
+  },
+  "eos_token": {
+    "content": "[SEP]",
+    "lstrip": false,
+    "normalized": false,
+    "rstrip": false,
+    "single_word": false
+  },
+  "mask_token": {
+    "content": "[MASK]",
+    "lstrip": false,
+    "normalized": false,
+    "rstrip": false,
+    "single_word": false
+  },
+  "pad_token": {
+    "content": "[PAD]",
+    "lstrip": false,
+    "normalized": false,
+    "rstrip": false,
+    "single_word": false
+  },
+  "sep_token": {
+    "content": "[SEP]",
+    "lstrip": false,
+    "normalized": false,
+    "rstrip": false,
+    "single_word": false
+  },
+  "unk_token": {
+    "content": "[UNK]",
+    "lstrip": false,
+    "normalized": false,
+    "rstrip": false,
+    "single_word": false
+  }
+}

tokenizer_config.json

@@ -0,0 +1,66 @@
+{
+  "added_tokens_decoder": {
+    "0": {
+      "content": "[CLS]",
+      "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": "[SEP]",
+      "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
+    },
+    "4": {
+      "content": "[MASK]",
+      "lstrip": false,
+      "normalized": false,
+      "rstrip": false,
+      "single_word": false,
+      "special": true
+    }
+  },
+  "bos_token": "[CLS]",
+  "clean_up_tokenization_spaces": false,
+  "cls_token": "[CLS]",
+  "do_basic_tokenize": true,
+  "do_lower_case": false,
+  "eos_token": "[SEP]",
+  "mask_token": "[MASK]",
+  "max_length": 512,
+  "model_max_length": 512,
+  "never_split": null,
+  "pad_to_multiple_of": null,
+  "pad_token": "[PAD]",
+  "pad_token_type_id": 0,
+  "padding_side": "right",
+  "sep_token": "[SEP]",
+  "stride": 0,
+  "strip_accents": null,
+  "tokenize_chinese_chars": true,
+  "tokenizer_class": "BertTokenizer",
+  "truncation_side": "right",
+  "truncation_strategy": "longest_first",
+  "unk_token": "[UNK]"
+}