Lsg Bart Base 4096 Mediasum

🚀 ccdv/lsg - bart - base - 4096 - mediasum

該模型是基於ccdv/lsg - bart - base - 4096在ccdv/mediasum roberta_prepended數據集上進行微調的版本，可用於文本摘要任務。

🚀 快速開始

注意事項：

• Transformers版本需 >= 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

LSG相關的ArXiv 論文 。Github上的轉換腳本可在這個 鏈接 找到。

💻 使用示例

基礎用法

from transformers import AutoTokenizer, AutoModelForSeq2SeqLM, pipeline

tokenizer = AutoTokenizer.from_pretrained("ccdv/lsg-bart-base-4096-mediasum", trust_remote_code=True)
model = AutoModelForSeq2SeqLM.from_pretrained("ccdv/lsg-bart-base-4096-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
  )

📚 詳細文檔

模型測試結果

該模型在測試集上取得了以下結果：

較大塊大小（資源需求較高）

較小塊大小（資源需求較低）

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BART - base開始預熱，經過轉換以處理長序列（僅編碼器）並進行了微調。

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（β1 = 0.9，β2 = 0.999，ε = 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：6.0

生成超參數

生成過程中使用了以下超參數：

• 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
• 忽略填充標記以計算損失：True
• 長度懲罰：2.0
• 最大長度：128
• 最小長度：3
• 束搜索數量：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