Legal T5 Small Trans Sv En

🚀 legal_t5_small_trans_sv_en模型

legal_t5_small_trans_sv_en模型用于将瑞典语法律文本翻译成英语。它能有效解决瑞典语法律文本的翻译需求，为法律领域的跨国交流提供了便利。

🚀 快速开始

legal_t5_small_trans_sv_en模型可用于将瑞典语法律文本翻译成英语。以下是在PyTorch中使用该模型进行翻译的示例代码：

from transformers import AutoTokenizer, AutoModelWithLMHead, TranslationPipeline

pipeline = TranslationPipeline(
model=AutoModelWithLMHead.from_pretrained("SEBIS/legal_t5_small_trans_sv_en"),
tokenizer=AutoTokenizer.from_pretrained(pretrained_model_name_or_path = "SEBIS/legal_t5_small_trans_sv_en", do_lower_case=False, 
                                            skip_special_tokens=True),
    device=0
)

sv_text = "Om rättsliga förfaranden inleds rörande omständigheter som ombudsmannen utreder skall han avsluta ärendet."

pipeline([sv_text], max_length=512)

✨ 主要特性

• 基于t5-small模型，在大规模平行文本语料库上进行训练。
• 模型规模较小，通过使用dmodel = 512、dff = 2,048、8头注意力机制，且编码器和解码器各只有6层，对t5的基线模型进行了缩放。
• 约有6000万个参数。

📦 安装指南

文档未提及安装步骤，故跳过该章节。

💻 使用示例

基础用法

from transformers import AutoTokenizer, AutoModelWithLMHead, TranslationPipeline

pipeline = TranslationPipeline(
model=AutoModelWithLMHead.from_pretrained("SEBIS/legal_t5_small_trans_sv_en"),
tokenizer=AutoTokenizer.from_pretrained(pretrained_model_name_or_path = "SEBIS/legal_t5_small_trans_sv_en", do_lower_case=False, 
                                            skip_special_tokens=True),
    device=0
)

sv_text = "Om rättsliga förfaranden inleds rörande omständigheter som ombudsmannen utreder skall han avsluta ärendet."

pipeline([sv_text], max_length=512)

📚 详细文档

模型描述

legal_t5_small_trans_sv_en基于t5-small模型，在大规模平行文本语料库上进行训练。这是一个较小的模型，通过使用dmodel = 512、dff = 2,048、8头注意力机制，且编码器和解码器各只有6层，对t5的基线模型进行了缩放。该变体约有6000万个参数。

预期用途和局限性

该模型可用于将瑞典语法律文本翻译成英语。

训练数据

legal_t5_small_trans_sv_en模型在JRC-ACQUIS、EUROPARL和DCEP数据集上进行训练，这些数据集包含500万条平行文本。

训练过程

• 模型在单个TPU Pod V3 - 8上总共训练了250K步，使用序列长度512（批量大小4096）。
• 模型总共约有2.2亿个参数，采用编码器 - 解码器架构进行训练。
• 使用AdaFactor优化器和逆平方根学习率调度进行预训练。

预处理

使用从平行语料库（所有可能的语言对）中8800万行文本训练的unigram模型来获取词汇表（使用字节对编码），该词汇表用于此模型。

评估结果

当模型用于翻译测试数据集时，取得了以下结果：

BibTeX引用和引用信息

Created by Ahmed Elnaggar/@Elnaggar_AI | LinkedIn

🔧 技术细节

模型基于t5-small架构进行改进，通过调整参数规模和层数，在保证一定翻译效果的同时，降低了模型的复杂度。训练过程中使用了特定的优化器和学习率调度，以提高模型的性能。

📄 许可证

文档未提及许可证信息，故跳过该章节。