语言: 中文
标签:

• sagemaker
• bart
• 文本摘要
  许可证: apache-2.0
  数据集:
• samsum
  模型索引:
• 名称: bart-large-cnn-samsum
  结果:
  • 任务:
    名称: 抽象文本摘要
    类型: abstractive-text-summarization
    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:
    • 名称: 验证ROGUE-1
      类型: rogue-1
      值: 43.2111
    • 名称: 验证ROGUE-2
      类型: rogue-2
      值: 22.3519
    • 名称: 验证ROGUE-L
      类型: rogue-l
      值: 33.315
    • 名称: 测试ROGUE-1
      类型: rogue-1
      值: 41.8283
    • 名称: 测试ROGUE-2
      类型: rogue-2
      值: 20.9857
    • 名称: 测试ROGUE-L
      类型: rogue-l
      值: 32.3602
      示例输入:
• 文本: |
  Sugi: 我对生活中的一切都感到厌倦。
  Tommy: 什么？你的生活多么幸福啊！我真羡慕你。
  Sugi: 你不知道这些年来我母亲对我过度保护。我真的要离开家，展翅高飞了。
  Tommy: 也许你是对的。

bart-large-cnn-samsum

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

• 🤗 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

{  
"dataset_name": "samsum",  
"do_eval": true,  
"do_predict": true,  
"do_train": true,  
"fp16": true,  
"learning_rate": 5e-05,  
"model_name_or_path": "facebook/bart-large-cnn",  
"num_train_epochs": 3,  
"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="slauw87/bart-large-cnn-samsum")  
conversation = '''Sugi: 我对生活中的一切都感到厌倦。  
Tommy: 什么？你的生活多么幸福啊！我真羡慕你。  
Sugi: 你不知道这些年来我母亲对我过度保护。我真的要离开家，展翅高飞了。  
Tommy: 也许你是对的。                                           
'''  
nlp(conversation)  

结果