Gpt Neo 1.3B Emailgen

🚀 gpt-neo-1.3B-emailgen

该模型是基于 EleutherAI/gpt-neo-1.3B 在 postbot/multi-emails-100k 数据集上进行微调的版本。它在评估集上取得了以下成果：

• 损失值：1.6930

🚀 快速开始

此模型主要用于文本生成，特别是电子邮件生成。你可以通过以下方式使用它：

# 示例代码，假设使用 transformers 库
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)

输入参数详情

✨ 主要特性

• 文本生成能力：能够根据输入的文本生成相关的电子邮件内容。
• 多场景适用：可用于多种电子邮件场景，如给教授发邮件、发送时事通讯、询问办公时间等。

📦 安装指南

暂未提供具体安装步骤，你可以参考 Hugging Face 的相关文档来安装所需的库，如 transformers、torch 等。

💻 使用示例

基础用法

# 基础的电子邮件生成示例
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)

高级用法

# 高级用法示例，可根据不同场景调整参数
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")

# 不同场景的输入文本
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")

📚 详细文档

模型描述

更多详细信息待补充。

预期用途与限制

更多详细信息待补充。

训练和评估数据

更多详细信息待补充。

🔧 技术细节

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（learning_rate）：0.0001
• 训练批次大小（train_batch_size）：4
• 评估批次大小（eval_batch_size）：4
• 随机种子（seed）：42
• 分布式类型（distributed_type）：多 GPU
• 梯度累积步数（gradient_accumulation_steps）：32
• 总训练批次大小（total_train_batch_size）：128
• 优化器（optimizer）：Adam，β=(0.9, 0.999)，ε=1e - 08
• 学习率调度器类型（lr_scheduler_type）：余弦
• 学习率调度器热身比例（lr_scheduler_warmup_ratio）：0.02
• 训练轮数（num_epochs）：2

训练结果

框架版本

• Transformers 4.22.2
• Pytorch 1.10.0+cu113
• Tokenizers 0.12.1

📄 许可证

该模型使用 Apache - 2.0 许可证。

📊 评估结果

Open LLM Leaderboard 评估结果

详细结果可查看 此处