Lsg Bart Base 16384 Mediasum

🚀 ccdv/lsg-bart-base-16384-mediasum

該模型是用於文本摘要的微調模型，基於特定數據集訓練，能處理長序列文本，在測試集上有較好表現。

🚀 快速開始

Transformers >= 4.36.1 該模型依賴自定義建模文件，你需要添加 trust_remote_code=True 請參閱 #13467

LSG 的 ArXiv 論文。 Github/轉換腳本可在這個 鏈接 找到。

基礎用法

from transformers import AutoTokenizer, AutoModelForSeq2SeqLM, pipeline

tokenizer = AutoTokenizer.from_pretrained("ccdv/lsg-bart-base-16384-mediasum", trust_remote_code=True)
model = AutoModelForSeq2SeqLM.from_pretrained("ccdv/lsg-bart-base-16384-mediasum", trust_remote_code=True)

text = "Replace by what you want."
pipe = pipeline("text2text-generation", model=model, tokenizer=tokenizer, device=0)
generated_text = pipe(
  text, 
  truncation=True, 
  max_length=64, 
  no_repeat_ngram_size=7,
  num_beams=2,
  early_stopping=True
  )

✨ 主要特性

該模型是 ccdv/lsg-bart-base-4096-mediasum 在 ccdv/mediasum roberta_prepended mediasum 數據集上的微調版本。模型經過轉換以處理 16384 的長序列，並相應地進行了 1 個 epoch 的微調。它在測試集上取得了以下結果：

參考模型：

📚 詳細文檔

模型描述

該模型依靠局部 - 稀疏 - 全局注意力機制來處理長序列：

該模型約有 1.45 億個參數（6 個編碼器層 - 6 個解碼器層）。模型從 ccdv/lsg-bart-base-4096-mediasum 進行熱啟動，轉換為處理長序列（僅編碼器）並進行微調。

預期用途和限制

更多信息待補充。

訓練和評估數據

更多信息待補充。

訓練過程

訓練超參數

訓練期間使用了以下超參數：

• 學習率：8e-05
• 訓練批次大小：8
• 隨機種子：42
• 梯度累積步數：4
• 總訓練批次大小：32
• 優化器：Adam，β=(0.9, 0.999)，ε=1e-08
• 學習率調度器類型：線性
• 學習率調度器熱身比例：0.1
• 訓練輪數：1.0

生成超參數

生成期間使用了以下超參數：

• 數據集名稱：ccdv/mediasum
• 數據集配置名稱：roberta_prepended
• 評估批次大小：8
• 評估樣本數：10000
• 提前停止：True
• 忽略填充令牌進行損失計算：True
• 長度懲罰：2.0
• 最大長度：128
• 最小長度：3
• 束搜索數：5
• 無重複 n-gram 大小：None
• 隨機種子：123

框架版本

• Transformers 4.18.0
• Pytorch 1.10.1+cu102
• Datasets 2.1.0
• Tokenizers 0.11.6