语言: 英文
标签:

• sagemaker
• bart
• 文本摘要
  许可证: apache-2.0
  数据集:
• tomasg25/scientific_lay_summarisation
  模型索引:
• 名称: bart-large-tomasg25/scientific_lay_summarisation
  结果:
  • 任务:
    名称: 抽象文本摘要
    类型: 抽象文本摘要
    数据集:
    名称: "tomasg25/scientific_lay_summarisation"
    类型: plos
    指标:
    • 名称: 验证ROGUE-1
      类型: rogue-1
      值: 42.621
    • 名称: 验证ROGUE-2
      类型: rogue-2
      值: 21.9825
    • 名称: 验证ROGUE-L
      类型: rogue-l
      值: 33.034
    • 名称: 测试ROGUE-1
      类型: rogue-1
      值: 41.3174
    • 名称: 测试ROGUE-2
      类型: rogue-2
      值: 20.8716
    • 名称: 测试ROGUE-L
      类型: rogue-l
      值: 32.1337
      小部件:

bart-large-tomasg25/scientific_lay_summarisation

该模型使用Amazon SageMaker和新的Hugging Face深度学习容器进行训练。
更多信息请参考：

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

超参数

{
    "cache_dir": "opt/ml/input",
    "dataset_config_name": "plos",
    "dataset_name": "tomasg25/scientific_lay_summarisation",
    "do_eval": true,
    "do_predict": true,
    "do_train": true,
    "fp16": true,
    "learning_rate": 5e-05,
    "model_name_or_path": "facebook/bart-large",
    "num_train_epochs": 1,
    "output_dir": "/opt/ml/model",
    "per_device_eval_batch_size": 4,
    "per_device_train_batch_size": 4,
    "predict_with_generate": true,
    "seed": 7
}

使用方法

from transformers import pipeline  
summarizer = pipeline("summarization", model="sambydlo/bart-large-tomasg25/scientific_lay_summarisation")  
article = "食品生产是温室气体（GHG）排放、水和土地利用的主要驱动因素，而饮食风险因素是非传染性疾病的诱因之一。因此，饮食模式的转变可能为环境和健康带来双重益处。然而，这些影响的程度以及实现这些变化所需的饮食调整仍存在不确定性。我们系统地回顾了从当前饮食摄入转向环境可持续饮食模式对GHG排放、土地利用和水利用的影响证据。我们发现，在回顾的研究中，有14种常见的可持续饮食模式，通过采用这些模式，GHG排放和土地利用可减少高达70-80%，水利用可减少50%（所有研究中这些指标的中位数约为20-30%）。环境足迹的减少通常与动物性食品限制的程度成正比。饮食转变还能在所有原因死亡率风险方面带来适度的益处。我们的综述表明，通过将当前西方饮食转变为各种更可持续的饮食模式，可以实现环境和健康效益。"  
summarizer(article)  

结果