语言：中文
许可证：MIT
标签：

• sagemaker
• bart
• 文本摘要

数据集：

• samsum

示例输入：

• 文本: "杰夫：我能在亚马逊SageMaker上训练一个🤗 Transformers模型吗？\n菲利普：当然可以，你可以使用新的Hugging Face深度学习容器。\n杰夫：好的。\n杰夫：那我该怎么开始呢？\n杰夫：在哪里能找到文档？\n菲利普：好的好的，你可以在这里找到所有内容。https://huggingface.co/blog/the-partnership-amazon-sagemaker-and-hugging-face\n"

模型索引：

• 名称: bart-large-cnn-samsum
  结果：
  • 任务：
    类型: 文本摘要
    名称: 摘要生成
    数据集：
    名称: 'SAMSum语料库：用于抽象摘要的人工标注对话数据集'
    类型: samsum
    指标：
    • 类型: rogue-1
      值: 42.621
      名称: 验证集ROGUE-1
    • 类型: rogue-2
      值: 21.9825
      名称: 验证集ROGUE-2
    • 类型: rogue-l
      值: 33.034
      名称: 验证集ROGUE-L
    • 类型: rogue-1
      值: 41.3174
      名称: 测试集ROGUE-1
    • 类型: rogue-2
      值: 20.8716
      名称: 测试集ROGUE-2
    • 类型: rogue-l
      值: 32.1337
      名称: 测试集ROGUE-L

bart-large-cnn-samsum

若想使用该模型，建议尝试新版微调的FLAN-T5版本philschmid/flan-t5-base-samsum，其在ROGUE1上以47.24分超越BART版本+6分。

推荐试用 philschmid/flan-t5-base-samsum

本模型通过亚马逊SageMaker及新版Hugging Face深度学习容器训练完成。

更多信息请参阅：

• 🤗 Transformers文档：亚马逊SageMaker
• 示例笔记本
• 亚马逊SageMaker的Hugging Face文档
• Python SDK SageMaker的Hugging Face文档
• 深度学习容器

超参数

{  
    "数据集名称": "samsum",  
    "执行评估": true,  
    "执行预测": true,  
    "执行训练": true,  
    "混合精度训练": true,  
    "学习率": 5e-05,  
    "模型路径": "facebook/bart-large-cnn",  
    "训练轮次": 3,  
    "输出目录": "/opt/ml/model",  
    "评估批次大小": 4,  
    "训练批次大小": 4,  
    "生成式预测": true,  
    "随机种子": 7  
}  

使用方式

from transformers import pipeline  
summarizer = pipeline("summarization", model="philschmid/bart-large-cnn-samsum")  

对话样本 = '''杰夫：我能在亚马逊SageMaker上训练一个🤗 Transformers模型吗？  
菲利普：当然可以，你可以使用新的Hugging Face深度学习容器。  
杰夫：好的。  
杰夫：那我该怎么开始呢？  
杰夫：在哪里能找到文档？  
菲利普：好的好的，你可以在这里找到所有内容。https://huggingface.co/blog/the-partnership-amazon-sagemaker-and-hugging-face                                           
'''  
summarizer(对话样本)  

性能指标