Title Generator

🚀 模型ID的模型卡片

本模型用於從段落自動生成標題，能夠將長摘要文本期刊總結為單行文本，這些單行文本可用作期刊的標題。

🚀 快速開始

使用以下代碼開始使用該模型：

from transformers import pipeline
text = """Text that needs to be summarized"""

summarizer = pipeline("summarization", model="path-to-model")
summary = summarizer(text)[0]["summary_text"]

print (summary)

✨ 主要特性

• 作為文本摘要器創建標題。
• 作為可調整的語言模型用於下游任務。

📦 安裝指南

文檔未提及安裝步驟，故跳過此部分。

💻 使用示例

基礎用法

from transformers import pipeline
text = """Text that needs to be summarized"""

summarizer = pipeline("summarization", model="path-to-model")
summary = summarizer(text)[0]["summary_text"]

print (summary)

📚 詳細文檔

模型詳情

模型描述

這是一個文本生成模型，用於將長摘要文本期刊總結為單行文本，這些單行文本可用作期刊的標題。

• 開發者：Tushar Joshi
• 共享者（可選）：Tushar Joshi
• 模型類型：t5-small
• 語言（NLP）：英語
• 許可證：Apache 2.0
• 微調基礎模型（可選）：t5-small基線

模型來源（可選）

• 倉庫：https://huggingface.co/t5-small

用途

直接使用

作為段落的文本摘要器。

超出適用範圍的使用

不應作為非常長段落的文本摘要器。

偏差、風險和侷限性

• 最大輸入令牌大小為1024。
• 最大輸出令牌大小為24。

建議

用戶（直接用戶和下游用戶）應瞭解模型的風險、偏差和侷限性。如需進一步建議，還需更多信息。

訓練詳情

訓練數據

訓練數據是內部整理的，無法公開。

訓練過程

無。

預處理（可選）

無。

訓練超參數

• 訓練機制：[需要更多信息]
• 無。

速度、大小、時間（可選）

訓練使用GPU T4x 2完成。該任務耗時4:09:47。使用了包含10,000個示例的數據集來訓練生成模型。

評估

摘要質量在過去20年創建的5000篇研究期刊上進行了測試。

測試數據、因素和指標

• 測試數據大小：5000個示例
• 測試數據：測試數據是內部生成和整理的。
• 因素：[需要更多信息]
• 指標：模型使用Rouge指標進行評估，以下是達到的基線結果。

結果

輪次	訓練損失	驗證損失	Rouge1	Rouge2	Rougel	Rougelsum	生成長度
18	2.442800	2.375408	0.313700	0.134600	0.285400	0.285400	16.414100
19	2.454800	2.372553	0.312900	0.134100	0.284900	0.285000	16.445100
20	2.438900	2.372551	0.312300	0.134000	0.284500	0.284600	16.435500

環境影響

可以使用Lacoste等人（2019）中提出的機器學習影響計算器來估算碳排放。

• 硬件類型：GPU T4 x 2
• 使用時長：4.5小時
• 雲服務提供商：GCP
• 計算區域：愛爾蘭
• 碳排放：未知

技術規格（可選）

模型架構和目標

[需要更多信息]

計算基礎設施

[需要更多信息]

硬件

[需要更多信息]

軟件

[需要更多信息]

引用（可選）

BibTeX

[需要更多信息]

APA

[需要更多信息]

術語表（可選）

[需要更多信息]

更多信息（可選）

[需要更多信息]

模型卡片作者（可選）

Tushar Joshi

模型卡片聯繫人

Tushar Joshi 領英 - https://www.linkedin.com/in/tushar-joshi-816133100/

信息表格

屬性	詳情
模型類型	t5-small
訓練數據	訓練數據是內部整理的，無法公開。
許可證	Apache 2.0

常用提示信息

⚠️ 重要提示

用戶（直接用戶和下游用戶）應瞭解模型的風險、偏差和侷限性。如需進一步建議，還需更多信息。

💡 使用建議

不應將該模型作為非常長段落的文本摘要器。