T5 Small Awesome Text To Sql

🚀 モデルIDのモデルカード

このモデルは、t5-smallをベースに、"CREATE TABLE"文で表のリストが与えられたテキストからSQLを生成します。複数の表を結合したものにも対応しています。非常に軽量なモデルで、複数の分析アプリケーションで使用できます。

このモデルは、t5-smallをベースに構築されており、"CREATE TABLE"文で表のリストが与えられたテキストからSQLを生成します。結合を含む複数の表にも対応しています。非常に軽量なモデルで、複数の分析アプリケーションで使用することができます。b-mc2/sql-create-contextとClinton/Text-to-sql-v1のデータセットを組み合わせて使用しています。 詳細情報が必要な場合は、support@cloudsummary.comまでお問い合わせください。

✨ 主な機能

モデルの概要

• 開発者: cssupport (support@cloudsummary.com)
• モデルの種類: 言語モデル
• 言語 (NLP): 英語
• ライセンス: Apache 2.0
• ファインチューニング元のモデル: t5-small

モデルのソース

モデルのソースについては、t5-smallを参照してください。

🚀 クイックスタート

以下のコードを使用して、モデルを始めることができます。

import torch
from transformers import T5Tokenizer, T5ForConditionalGeneration

# Initialize the tokenizer from Hugging Face Transformers library
tokenizer = T5Tokenizer.from_pretrained('t5-small')

# Load the model
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
model = T5ForConditionalGeneration.from_pretrained('cssupport/t5-small-awesome-text-to-sql')
model = model.to(device)
model.eval()

def generate_sql(input_prompt):
    # Tokenize the input prompt
    inputs = tokenizer(input_prompt, padding=True, truncation=True, return_tensors="pt").to(device)
    
    # Forward pass
    with torch.no_grad():
        outputs = model.generate(**inputs, max_length=512)
    
    # Decode the output IDs to a string (SQL query in this case)
    generated_sql = tokenizer.decode(outputs[0], skip_special_tokens=True)
    
    return generated_sql

# Test the function
#input_prompt = "tables:\n" + "CREATE TABLE Catalogs (date_of_latest_revision VARCHAR)" + "\n" +"query for: Find the dates on which more than one revisions were made."
#input_prompt = "tables:\n" + "CREATE TABLE table_22767 ( \"Year\" real, \"World\" real, \"Asia\" text, \"Africa\" text, \"Europe\" text, \"Latin America/Caribbean\" text, \"Northern America\" text, \"Oceania\" text )" + "\n" +"query for:what will the population of Asia be when Latin America/Caribbean is 783 (7.5%)?."
#input_prompt = "tables:\n" + "CREATE TABLE procedures ( subject_id text, hadm_id text, icd9_code text, short_title text, long_title text ) CREATE TABLE diagnoses ( subject_id text, hadm_id text, icd9_code text, short_title text, long_title text ) CREATE TABLE lab ( subject_id text, hadm_id text, itemid text, charttime text, flag text, value_unit text, label text, fluid text ) CREATE TABLE demographic ( subject_id text, hadm_id text, name text, marital_status text, age text, dob text, gender text, language text, religion text, admission_type text, days_stay text, insurance text, ethnicity text, expire_flag text, admission_location text, discharge_location text, diagnosis text, dod text, dob_year text, dod_year text, admittime text, dischtime text, admityear text ) CREATE TABLE prescriptions ( subject_id text, hadm_id text, icustay_id text, drug_type text, drug text, formulary_drug_cd text, route text, drug_dose text )" + "\n" +"query for:" + "what is the total number of patients who were diagnosed with icd9 code 2254?"
input_prompt = "tables:\n" + "CREATE TABLE student_course_attendance (student_id VARCHAR); CREATE TABLE students (student_id VARCHAR)" + "\n" + "query for:" + "List the id of students who never attends courses?"

generated_sql = generate_sql(input_prompt)

print(f"The generated SQL query is: {generated_sql}")
#OUTPUT: The generated SQL query is: SELECT student_id FROM students WHERE NOT student_id IN (SELECT student_id FROM student_course_attendance)

💻 使用例

基本的な使用法

上記のコードは、モデルを使用して自然言語からSQLクエリを生成する基本的な例です。

📚 ドキュメント

直接的な使用方法

このモデルは、自然言語をSQLクエリに変換するアプリケーションで使用することができます。

想定外の使用方法

[詳細情報が必要]

バイアス、リスク、および制限事項

[詳細情報が必要]

推奨事項

ユーザー（直接的なユーザーと下流のユーザーの両方）は、このモデルのリスク、バイアス、および制限事項を認識する必要があります。さらなる推奨事項については、詳細情報が必要です。

🔧 技術詳細

モデルアーキテクチャと目的

t5-small

コンピューティングインフラストラクチャ

ハードウェア

A100-80 1台

ソフトウェア

PytorchとHuggingFace

📄 ライセンス

このモデルは、Apache 2.0ライセンスの下で提供されています。

モデルカードの問い合わせ先

cssupport (support@cloudsummary.com)