许可证: MIT
任务类型: 文本摘要
示例输入:

• 文本: >
  毫无疑问，Pixel手机最重要的特性之一就是其摄像头。对于摄影爱好者来说可能有个好消息：传闻Pixel 9或将配备长焦镜头，进一步强化拍摄能力。谷歌很可能继续专注于利用AI提升相机表现，以确保Pixel系列在移动摄影领域保持顶尖竞争力。
• 文本: >
  全喀拉拉邦逊尼派学生联合会(SKSSF)对周五举行选举表示担忧。该组织周六在科泽科德发表的声明中要求选举委员会改期，指出周五选举会导致担任投票工作或政党投票站代理人的穆斯林群体无法参加主麻日祷告。智慧伊斯兰组织则呼吁邦政府正式要求选举委员会更改喀拉拉邦与泰米尔纳德邦的选举日期，信徒代表Abdul Latheef Madani强调所有世俗力量都应向选举委员会施压调整日期。

数据集:

• EdinburghNLP/xsum

语言:

• 英语

BART大型CNN文本摘要模型

本模型基于Facebook提出的BART（双向自回归变换器）架构，是专门针对文本摘要任务微调的大型变体。BART作为序列到序列模型，能够处理包括摘要在内的多种自然语言处理任务。

模型详情:

• 架构: BART大型CNN版
• 预训练模型: BART大型
• 微调用途: 文本摘要
• 微调数据集: xsum

使用方法:

安装:

通过pip安装必要库：

pip install transformers  

推理示例:

以下PyTorch代码片段展示了如何使用本模型进行段落摘要：

from transformers import AutoTokenizer, AutoModelForSeq2SeqLM  

tokenizer = AutoTokenizer.from_pretrained("suriya7/bart-finetuned-text-summarization")  
model = AutoModelForSeq2SeqLM.from_pretrained("suriya7/bart-finetuned-text-summarization")  

def generate_summary(text):  
    inputs = tokenizer([text], max_length=1024, return_tensors='pt', truncation=True)  
    summary_ids = model.generate(inputs['input_ids'], max_new_tokens=100, do_sample=False)  
    summary = tokenizer.decode(summary_ids[0], skip_special_tokens=True)  
    return summary  

text_to_summarize = """当前Pixel手机最受瞩目的无疑是其摄像系统。据传闻，Pixel 9可能搭载长焦镜头并强化AI摄影功能，这将使谷歌手机在移动摄影领域持续领先。"""  
summary = generate_summary(text_to_summarize)  
print(summary)  

输出示例:

谷歌即将发布新一代Pixel 9手机，传闻配备长焦镜头和AI摄影系统以提升成像质量。  

训练参数:

训练周期=1,  
预热步数=500,  
单设备训练批次=4,  
单设备评估批次=4,  
权重衰减=0.01,  
梯度累积步数=16