语言:

• 英文 标签:
• 摘要生成 数据集:
• ccdv/mediasum 评估指标:
• rouge 模型索引:
• 名称: ccdv/lsg-bart-base-4096-mediasum 结果: []

需Transformers版本 >= 4.36.1
此模型依赖自定义建模文件，需添加参数trust_remote_code=True
详见#13467

LSG技术论文发布于ArXiv链接。
转换脚本及GitHub仓库详见此处。

from transformers import AutoTokenizer, AutoModelForSeq2SeqLM, pipeline

tokenizer = AutoTokenizer.from_pretrained("ccdv/lsg-bart-base-4096-mediasum", trust_remote_code=True)
model = AutoModelForSeq2SeqLM.from_pretrained("ccdv/lsg-bart-base-4096-mediasum", trust_remote_code=True)

text = "替换为您需要的文本内容。"
pipe = pipeline("text2text-generation", model=model, tokenizer=tokenizer, device=0)
generated_text = pipe(
  text, 
  truncation=True, 
  max_length=64, 
  no_repeat_ngram_size=7,
  num_beams=2,
  early_stopping=True
  )

ccdv/lsg-bart-base-4096-mediasum

本模型基于ccdv/lsg-bart-base-4096在ccdv/mediasum roberta_prepended数据集上微调而成。
测试集表现如下：

较小块尺寸（更低资源消耗）下的表现：

模型描述

该模型采用局部-稀疏-全局注意力机制处理长序列：

模型参数约1.45亿（6层编码器-6层解码器）。
基于BART-base模型进行热启动，经改造后支持长序列处理（仅编码器部分）并进行微调。

应用场景与限制

需补充更多信息

训练与评估数据

需补充更多信息

训练流程

训练超参数

• 学习率: 8e-05
• 训练批次大小: 8
• 随机种子: 42
• 梯度累积步数: 4
• 总训练批次大小: 32
• 优化器: Adam (β1=0.9, β2=0.999, ε=1e-08)
• 学习率调度器类型: 线性
• 学习率预热比例: 0.1
• 训练轮次: 6.0

生成超参数

• 数据集名称: ccdv/mediasum
• 数据集配置: roberta_prepended
• 评估批次大小: 8
• 评估样本数: 10000
• 早停机制: 启用
• 忽略填充符损失: 启用
• 长度惩罚系数: 2.0
• 最大生成长度: 128
• 最小生成长度: 3
• 束搜索数: 5
• 禁止重复n元组: 无限制
• 随机种子: 123

框架版本

• Transformers 4.18.0
• PyTorch 1.10.1+cu102
• Datasets 2.1.0
• Tokenizers 0.11.6