Gpt Neo 1.3B Emailgen

🚀 gpt-neo-1.3B-emailgen

該模型是基於 EleutherAI/gpt-neo-1.3B 在 postbot/multi-emails-100k 數據集上進行微調的版本。它在評估集上取得了以下成果：

• 損失值：1.6930

🚀 快速開始

此模型主要用於文本生成，特別是電子郵件生成。你可以通過以下方式使用它：

# 示例代碼，假設使用 transformers 庫
from transformers import AutoModelForCausalLM, AutoTokenizer

model = AutoModelForCausalLM.from_pretrained("postbot/gpt-neo-1.3B-emailgen")
tokenizer = AutoTokenizer.from_pretrained("postbot/gpt-neo-1.3B-emailgen")

input_text = "Good Morning Professor Beans, Hope you are doing well. I just wanted to reach out and ask if differential calculus will be on the exam"
input_ids = tokenizer(input_text, return_tensors="pt").input_ids
output = model.generate(input_ids, **parameters)
generated_text = tokenizer.decode(output[0], skip_special_tokens=True)
print(generated_text)

輸入參數詳情

✨ 主要特性

• 文本生成能力：能夠根據輸入的文本生成相關的電子郵件內容。
• 多場景適用：可用於多種電子郵件場景，如給教授發郵件、發送時事通訊、詢問辦公時間等。

📦 安裝指南

暫未提供具體安裝步驟，你可以參考 Hugging Face 的相關文檔來安裝所需的庫，如 transformers、torch 等。

💻 使用示例

基礎用法

# 基礎的電子郵件生成示例
from transformers import AutoModelForCausalLM, AutoTokenizer

model = AutoModelForCausalLM.from_pretrained("postbot/gpt-neo-1.3B-emailgen")
tokenizer = AutoTokenizer.from_pretrained("postbot/gpt-neo-1.3B-emailgen")

input_text = "Good Morning Professor Beans, Hope you are doing well. I just wanted to reach out and ask if differential calculus will be on the exam"
input_ids = tokenizer(input_text, return_tensors="pt").input_ids
output = model.generate(input_ids, min_length=32, max_length=128, no_repeat_ngram_size=2, do_sample=True, temperature=0.4, top_k=30, top_p=0.9, repetition_penalty=3.5, length_penalty=0.9)
generated_text = tokenizer.decode(output[0], skip_special_tokens=True)
print(generated_text)

高級用法

# 高級用法示例，可根據不同場景調整參數
from transformers import AutoModelForCausalLM, AutoTokenizer

model = AutoModelForCausalLM.from_pretrained("postbot/gpt-neo-1.3B-emailgen")
tokenizer = AutoTokenizer.from_pretrained("postbot/gpt-neo-1.3B-emailgen")

# 不同場景的輸入文本
scenarios = [
    "Hey <NAME>, Thank you for signing up for my weekly newsletter. Before we get started, you'll have to confirm your email address.",
    "Hi <NAME>, I hope this email finds you well. I wanted to reach out and ask about office hours"
]

for scenario in scenarios:
    input_ids = tokenizer(scenario, return_tensors="pt").input_ids
    output = model.generate(input_ids, min_length=32, max_length=128, no_repeat_ngram_size=2, do_sample=True, temperature=0.4, top_k=30, top_p=0.9, repetition_penalty=3.5, length_penalty=0.9)
    generated_text = tokenizer.decode(output[0], skip_special_tokens=True)
    print(f"Scenario: {scenario}\nGenerated Text: {generated_text}\n")

📚 詳細文檔

模型描述

更多詳細信息待補充。

預期用途與限制

更多詳細信息待補充。

訓練和評估數據

更多詳細信息待補充。

🔧 技術細節

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（learning_rate）：0.0001
• 訓練批次大小（train_batch_size）：4
• 評估批次大小（eval_batch_size）：4
• 隨機種子（seed）：42
• 分佈式類型（distributed_type）：多 GPU
• 梯度累積步數（gradient_accumulation_steps）：32
• 總訓練批次大小（total_train_batch_size）：128
• 優化器（optimizer）：Adam，β=(0.9, 0.999)，ε=1e - 08
• 學習率調度器類型（lr_scheduler_type）：餘弦
• 學習率調度器熱身比例（lr_scheduler_warmup_ratio）：0.02
• 訓練輪數（num_epochs）：2

訓練結果

框架版本

• Transformers 4.22.2
• Pytorch 1.10.0+cu113
• Tokenizers 0.12.1

📄 許可證

該模型使用 Apache - 2.0 許可證。

📊 評估結果

Open LLM Leaderboard 評估結果

詳細結果可查看 此處