语言:

• 英语 标签:
• 摘要生成 数据集:
• 科学论文 评估指标:
• ROUGE 模型索引:
• 名称: ccdv/lsg-bart-base-4096-pubmed 结果: []

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

LSG ArXiv研究论文。
GitHub/转换脚本可在此链接获取。

from transformers import AutoTokenizer, AutoModelForSeq2SeqLM, pipeline

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

text = "替换为你想要的内容。"
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-pubmed

本模型是基于ccdv/lsg-bart-base-4096在科学论文pubmed数据集上微调得到的版本。
测试集上的表现如下：

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）。
模型由BART-base初始化，经改造支持长序列处理（仅编码器）后微调得到。

使用场景与限制

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

训练采用以下超参数：

• 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：8.0

生成超参数

生成阶段采用以下超参数：

• 数据集名称：scientific_papers
• 数据集配置：pubmed
• 评估批次大小：8
• 评估样本数：6658
• 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：512
• 最小生成长度：128
• 束搜索宽度：5
• 禁止重复n元语法：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