library_name: transformers
tags: [summarization, transformers, t5, fine-tuning, custom-dataset, text-generation]

模型ID的模型卡

模型详情

模型描述

这是一个基于SAMSum数据集微调的T5文本摘要模型。该模型使用🤗 Transformers和Hugging Face Trainer进行训练，并采用混合精度（fp16）以优化内存效率。

• 开发者: Saravanan K
• 微调基础模型 [可选]: t5-base

模型来源 [可选]

• 代码仓库: https://github.com/SARAVANANVIJAY123/DL-Assessment/blob/main/DL-L%26D%20CODE.ipynb

使用场景

直接使用

该模型可用于文本摘要任务，尤其适用于对话和会话的摘要。

下游使用

该模型可以在其他摘要数据集上进一步微调，或用于需要摘要能力的更大NLP应用中。

超出范围的使用

该模型可能在非对话类文本或非英语语言上表现不佳。

偏见、风险和局限性

偏见: 由于模型基于SAMSum数据集训练，可能包含与英语会话数据相关的偏见。
局限性: 对于与训练数据集差异较大的文本，性能可能会下降。

如何开始使用该模型

使用以下代码快速开始使用该模型。

from transformers import AutoModelForSeq2SeqLM, AutoTokenizer  

# 定义模型名称（与上传的模型一致）  
model_name = "Saravanankumaran/summarisation_model"  

# 从Hugging Face Hub加载模型和分词器  
model = AutoModelForSeq2SeqLM.from_pretrained(model_name)  
tokenizer = AutoTokenizer.from_pretrained(model_name)  

print("模型加载成功！✅")  

# 以下是使用模型的示例文本  
text = """  
Laxmi Kant: 你打算给Tom安排什么工作？  
Juli: 我原本想先派他出差。  
Laxmi Kant: 不错。有适合他的工作吗？  
Juli: 他上个季度表现很出色。等他回来后，我会分配新项目。  
"""  
inputs = tokenizer(text, return_tensors="pt")  

output = model.generate(**inputs)  
summary = tokenizer.decode(output[0], skip_special_tokens=True)  

print("生成的摘要:", summary)