Lsg Bart Base 4096 Mediasum

🚀 ccdv/lsg - bart - base - 4096 - mediasum

该模型是基于ccdv/lsg - bart - base - 4096在ccdv/mediasum roberta_prepended数据集上进行微调的版本，可用于文本摘要任务。

🚀 快速开始

注意事项：

• Transformers版本需 >= 4.36.1
• 该模型依赖自定义建模文件，你需要添加trust_remote_code=True
• 详情请见 #13467

LSG相关的ArXiv 论文 。Github上的转换脚本可在这个 链接 找到。

💻 使用示例

基础用法

from transformers import AutoTokenizer, AutoModelForSeq2SeqLM, pipeline

tokenizer = AutoTokenizer.from_pretrained("ccdv/lsg-bart-base-4096-mediasum", trust_remote_code=True)
model = AutoModelForSeq2SeqLM.from_pretrained("ccdv/lsg-bart-base-4096-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
  )

📚 详细文档

模型测试结果

该模型在测试集上取得了以下结果：

较大块大小（资源需求较高）

较小块大小（资源需求较低）

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BART - base开始预热，经过转换以处理长序列（仅编码器）并进行了微调。

训练和评估数据

更多信息待补充。

训练过程

训练超参数

训练过程中使用了以下超参数：

• 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（β1 = 0.9，β2 = 0.999，ε = 1e - 08）
• 学习率调度器类型：线性
• 学习率调度器预热比例：0.1
• 训练轮数：6.0

生成超参数

生成过程中使用了以下超参数：

• 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
• 忽略填充标记以计算损失：True
• 长度惩罚：2.0
• 最大长度：128
• 最小长度：3
• 束搜索数量：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