Lsg Bart Base 4096 Multinews

🚀 ccdv/lsg-bart-base-4096-multinews

該模型是基於ccdv/lsg-bart-base-4096在multi_news默認數據集上微調得到的，用於文本摘要任務。

🚀 快速開始

環境要求

• 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
• 詳情請見 #13467

代碼示例

from transformers import AutoTokenizer, AutoModelForSeq2SeqLM, pipeline

tokenizer = AutoTokenizer.from_pretrained("ccdv/lsg-bart-base-4096-multinews", trust_remote_code=True)
model = AutoModelForSeq2SeqLM.from_pretrained("ccdv/lsg-bart-base-4096-multinews", 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 在 multi_news default 數據集上的微調版本。
• 模型採用 Local-Sparse-Global 注意力機制處理長序列。
• 模型約有 1.45 億個參數（6 個編碼器層 - 6 個解碼器層），從 BART-base 預熱啟動，轉換為處理長序列（僅編碼器）並進行微調。

📚 詳細文檔

測試集結果

該模型在測試集上取得了以下結果：

較大塊大小

較小塊大小（資源需求較低）

模型描述

該模型依靠 Local-Sparse-Global 注意力機制來處理長序列：

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 BART-base 預熱啟動，轉換為處理長序列（僅編碼器）並進行微調。

訓練和評估數據

更多信息待補充。

訓練過程

訓練超參數

訓練過程中使用了以下超參數：

• 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（betas=(0.9,0.999)，epsilon=1e-08）
• 學習率調度器類型：線性
• 學習率調度器預熱比例：0.1
• 訓練輪數：12.0

生成超參數

生成過程中使用了以下超參數：

• 數據集名稱：multi_news
• 數據集配置名稱：default
• 評估批次大小：8
• 評估樣本數：5622
• 提前停止：True
• 忽略填充標記進行損失計算：True
• 長度懲罰：2.0
• 最大長度：320
• 最小長度：32
• 束搜索數量：5
• 不重複 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

相關論文和代碼

• LSG 相關論文：paper
• Github 轉換腳本：link