Lsg Bart Base 16384 Mediasum

🚀 ccdv/lsg-bart-base-16384-mediasum

该模型是用于文本摘要的微调模型，基于特定数据集训练，能处理长序列文本，在测试集上有较好表现。

🚀 快速开始

Transformers >= 4.36.1 该模型依赖自定义建模文件，你需要添加 trust_remote_code=True 请参阅 #13467

LSG 的 ArXiv 论文。 Github/转换脚本可在这个 链接 找到。

基础用法

from transformers import AutoTokenizer, AutoModelForSeq2SeqLM, pipeline

tokenizer = AutoTokenizer.from_pretrained("ccdv/lsg-bart-base-16384-mediasum", trust_remote_code=True)
model = AutoModelForSeq2SeqLM.from_pretrained("ccdv/lsg-bart-base-16384-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
  )

✨ 主要特性

该模型是 ccdv/lsg-bart-base-4096-mediasum 在 ccdv/mediasum roberta_prepended mediasum 数据集上的微调版本。模型经过转换以处理 16384 的长序列，并相应地进行了 1 个 epoch 的微调。它在测试集上取得了以下结果：

参考模型：

📚 详细文档

模型描述

该模型依靠局部 - 稀疏 - 全局注意力机制来处理长序列：

该模型约有 1.45 亿个参数（6 个编码器层 - 6 个解码器层）。模型从 ccdv/lsg-bart-base-4096-mediasum 进行热启动，转换为处理长序列（仅编码器）并进行微调。

预期用途和限制

更多信息待补充。

训练和评估数据

更多信息待补充。

训练过程

训练超参数

训练期间使用了以下超参数：

• 学习率：8e-05
• 训练批次大小：8
• 随机种子：42
• 梯度累积步数：4
• 总训练批次大小：32
• 优化器：Adam，β=(0.9, 0.999)，ε=1e-08
• 学习率调度器类型：线性
• 学习率调度器热身比例：0.1
• 训练轮数：1.0

生成超参数

生成期间使用了以下超参数：

• 数据集名称：ccdv/mediasum
• 数据集配置名称：roberta_prepended
• 评估批次大小：8
• 评估样本数：10000
• 提前停止：True
• 忽略填充令牌进行损失计算：True
• 长度惩罚：2.0
• 最大长度：128
• 最小长度：3
• 束搜索数：5
• 无重复 n-gram 大小：None
• 随机种子：123

框架版本

• Transformers 4.18.0
• Pytorch 1.10.1+cu102
• Datasets 2.1.0
• Tokenizers 0.11.6