Rut5 Base Sum Gazeta

🚀 RuT5SumGazeta

このモデルは、rut5-base をベースにした、ロシア語の要約生成用モデルです。要約生成により、大量のテキスト情報を短くまとめることができます。

🚀 クイックスタート

使い方

Colab: リンク

from transformers import AutoTokenizer, T5ForConditionalGeneration

model_name = "IlyaGusev/rut5_base_sum_gazeta"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = T5ForConditionalGeneration.from_pretrained(model_name)

article_text = "..."

input_ids = tokenizer(
    [article_text],
    max_length=600,
    add_special_tokens=True,
    padding="max_length",
    truncation=True,
    return_tensors="pt"
)["input_ids"]

output_ids = model.generate(
    input_ids=input_ids,
    no_repeat_ngram_size=4
)[0]

summary = tokenizer.decode(output_ids, skip_special_tokens=True)
print(summary)

✨ 主な機能

• ロシア語のテキストを要約することができます。
• モデルは rut5-base をベースにしており、精度の高い要約生成が期待できます。

📦 インストール

このモデルを使用するには、transformers ライブラリが必要です。以下のコマンドでインストールできます。

pip install transformers

💻 使用例

基本的な使用法

from transformers import AutoTokenizer, T5ForConditionalGeneration

model_name = "IlyaGusev/rut5_base_sum_gazeta"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = T5ForConditionalGeneration.from_pretrained(model_name)

article_text = "..."

input_ids = tokenizer(
    [article_text],
    max_length=600,
    add_special_tokens=True,
    padding="max_length",
    truncation=True,
    return_tensors="pt"
)["input_ids"]

output_ids = model.generate(
    input_ids=input_ids,
    no_repeat_ngram_size=4
)[0]

summary = tokenizer.decode(output_ids, skip_special_tokens=True)
print(summary)

高度な使用法

全ての要約を予測するコード例です。

import json
import torch
from transformers import AutoTokenizer, T5ForConditionalGeneration
from datasets import load_dataset


def gen_batch(inputs, batch_size):
    batch_start = 0
    while batch_start < len(inputs):
        yield inputs[batch_start: batch_start + batch_size]
        batch_start += batch_size


def predict(
    model_name,
    input_records,
    output_file,
    max_source_tokens_count=600,
    batch_size=8
):
    device = "cuda" if torch.cuda.is_available() else "cpu"

    tokenizer = AutoTokenizer.from_pretrained(model_name)
    model = T5ForConditionalGeneration.from_pretrained(model_name).to(device)
    
    predictions = []
    for batch in gen_batch(input_records, batch_size):
        texts = [r["text"] for r in batch]
        input_ids = tokenizer(
            texts,                                                                                                     
            add_special_tokens=True,
            max_length=max_source_tokens_count,
            padding="max_length",
            truncation=True,
            return_tensors="pt"
        )["input_ids"].to(device)
        
        output_ids = model.generate(
            input_ids=input_ids,
            no_repeat_ngram_size=4
        )
        summaries = tokenizer.batch_decode(output_ids, skip_special_tokens=True)
        for s in summaries:
            print(s)
        predictions.extend(summaries)
    with open(output_file, "w") as w:
        for p in predictions:
            w.write(p.strip().replace("\n", " ") + "\n")

gazeta_test = load_dataset('IlyaGusev/gazeta', script_version="v1.0")["test"]
predict("IlyaGusev/rut5_base_sum_gazeta", list(gazeta_test), "t5_predictions.txt")

📚 ドキュメント

学習データ

• データセット: Gazeta

学習手順

• 学習スクリプト: train.py
• 設定ファイル: t5_training_config.json

評価結果

Gazeta v1 データセット

• 学習データセット: Gazeta v1 train
• テストデータセット: Gazeta v1 test
• 入力の最大トークン数: 600
• 出力の最大トークン数: 200
• no_repeat_ngram_size: 4
• num_beams: 5

Gazeta v2 データセット

• 学習データセット: Gazeta v1 train
• テストデータセット: Gazeta v2 test
• 入力の最大トークン数: 600
• 出力の最大トークン数: 200
• no_repeat_ngram_size: 4
• num_beams: 5

評価スクリプト

評価スクリプト: evaluate.py

フラグ: --language ru --tokenize-after --lower

📄 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。