Title Generator

🚀 模型ID的模型卡片

本模型用于从段落自动生成标题，能够将长摘要文本期刊总结为单行文本，这些单行文本可用作期刊的标题。

🚀 快速开始

使用以下代码开始使用该模型：

from transformers import pipeline
text = """Text that needs to be summarized"""

summarizer = pipeline("summarization", model="path-to-model")
summary = summarizer(text)[0]["summary_text"]

print (summary)

✨ 主要特性

• 作为文本摘要器创建标题。
• 作为可调整的语言模型用于下游任务。

📦 安装指南

文档未提及安装步骤，故跳过此部分。

💻 使用示例

基础用法

from transformers import pipeline
text = """Text that needs to be summarized"""

summarizer = pipeline("summarization", model="path-to-model")
summary = summarizer(text)[0]["summary_text"]

print (summary)

📚 详细文档

模型详情

模型描述

这是一个文本生成模型，用于将长摘要文本期刊总结为单行文本，这些单行文本可用作期刊的标题。

• 开发者：Tushar Joshi
• 共享者（可选）：Tushar Joshi
• 模型类型：t5-small
• 语言（NLP）：英语
• 许可证：Apache 2.0
• 微调基础模型（可选）：t5-small基线

模型来源（可选）

• 仓库：https://huggingface.co/t5-small

用途

直接使用

作为段落的文本摘要器。

超出适用范围的使用

不应作为非常长段落的文本摘要器。

偏差、风险和局限性

• 最大输入令牌大小为1024。
• 最大输出令牌大小为24。

建议

用户（直接用户和下游用户）应了解模型的风险、偏差和局限性。如需进一步建议，还需更多信息。

训练详情

训练数据

训练数据是内部整理的，无法公开。

训练过程

无。

预处理（可选）

无。

训练超参数

• 训练机制：[需要更多信息]
• 无。

速度、大小、时间（可选）

训练使用GPU T4x 2完成。该任务耗时4:09:47。使用了包含10,000个示例的数据集来训练生成模型。

评估

摘要质量在过去20年创建的5000篇研究期刊上进行了测试。

测试数据、因素和指标

• 测试数据大小：5000个示例
• 测试数据：测试数据是内部生成和整理的。
• 因素：[需要更多信息]
• 指标：模型使用Rouge指标进行评估，以下是达到的基线结果。

结果

轮次	训练损失	验证损失	Rouge1	Rouge2	Rougel	Rougelsum	生成长度
18	2.442800	2.375408	0.313700	0.134600	0.285400	0.285400	16.414100
19	2.454800	2.372553	0.312900	0.134100	0.284900	0.285000	16.445100
20	2.438900	2.372551	0.312300	0.134000	0.284500	0.284600	16.435500

环境影响

可以使用Lacoste等人（2019）中提出的机器学习影响计算器来估算碳排放。

• 硬件类型：GPU T4 x 2
• 使用时长：4.5小时
• 云服务提供商：GCP
• 计算区域：爱尔兰
• 碳排放：未知

技术规格（可选）

模型架构和目标

[需要更多信息]

计算基础设施

[需要更多信息]

硬件

[需要更多信息]

软件

[需要更多信息]

引用（可选）

BibTeX

[需要更多信息]

APA

[需要更多信息]

术语表（可选）

[需要更多信息]

更多信息（可选）

[需要更多信息]

模型卡片作者（可选）

Tushar Joshi

模型卡片联系人

Tushar Joshi 领英 - https://www.linkedin.com/in/tushar-joshi-816133100/

信息表格

属性	详情
模型类型	t5-small
训练数据	训练数据是内部整理的，无法公开。
许可证	Apache 2.0

常用提示信息

⚠️ 重要提示

用户（直接用户和下游用户）应了解模型的风险、偏差和局限性。如需进一步建议，还需更多信息。

💡 使用建议

不应将该模型作为非常长段落的文本摘要器。