Lsg Bart Base 16384 Pubmed

🚀 ccdv/lsg - bart - base - 16384 - pubmed

本模型是基於Transformer架構的文本摘要模型，它在科學論文數據集上進行微調，能處理長序列文本，在文本摘要任務中表現出色。

🚀 快速開始

環境要求

• Transformers >= 4.36.1
• 此模型依賴自定義建模文件，你需要添加 trust_remote_code=True
• 詳情見 #13467

代碼示例

from transformers import AutoTokenizer, AutoModelForSeq2SeqLM, pipeline

tokenizer = AutoTokenizer.from_pretrained("ccdv/lsg-bart-base-16384-pubmed", trust_remote_code=True)
model = AutoModelForSeq2SeqLM.from_pretrained("ccdv/lsg-bart-base-16384-pubmed", 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 - pubmed 在 scientific_papers pubmed 數據集上的微調版本。
• 模型經過轉換後能夠處理長度為16384的長序列，並進行了1個epoch的微調。

📚 詳細文檔

模型表現

該模型在測試集上取得了以下結果：

參考模型結果：

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：

模型約有1.45億個參數（6個編碼器層 - 6個解碼器層）。它以 ccdv/lsg - bart - base - 4096 - pubmed 為基礎進行預熱啟動，經過轉換以處理長序列（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（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：1.0

生成超參數

生成期間使用了以下超參數：

• 數據集名稱：scientific_papers
• 數據集配置名稱：pubmed
• 評估批次大小：4
• 評估樣本數：6658
• 提前停止：True
• 忽略填充令牌損失：True
• 長度懲罰：2.0
• 最大長度：512
• 最小長度：128
• 束搜索數量：5
• 無重複n - 元組大小：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

預期用途和限制

更多信息待補充。