license: apache-2.0 language: zh

BART（大尺寸模型）

基于英语预训练的BART模型。该模型由Lewis等人在论文《BART：用于自然语言生成、翻译与理解的去噪序列到序列预训练》中提出，并首次发布于此代码库。

免责声明：发布BART的团队未编写此模型卡片，故本卡片由Hugging Face团队撰写。

模型描述

BART是一个结合了双向编码器（类似BERT）与自回归解码器（类似GPT）的Transformer序列到序列模型。其预训练过程包含：(1) 通过任意噪声函数破坏文本；(2) 学习重建原始文本。

该模型在文本生成任务（如摘要、翻译）的微调中表现卓越，同时在理解类任务（如文本分类、问答）中亦有出色表现。

预期用途与限制

原始模型可直接用于文本填充任务，但主要用途是在监督数据集上进行微调。可通过模型中心查找您感兴趣任务的微调版本。

使用方法

以下是在PyTorch中使用该模型的示例：

from transformers import BartTokenizer, BartModel

tokenizer = BartTokenizer.from_pretrained('facebook/bart-large')
model = BartModel.from_pretrained('facebook/bart-large')

inputs = tokenizer("你好，我的小狗很可爱", return_tensors="pt")
outputs = model(**inputs)

last_hidden_states = outputs.last_hidden_state

BibTeX引用信息

@article{DBLP:journals/corr/abs-1910-13461,
  author    = {Mike Lewis and
               Yinhan Liu and
               Naman Goyal and
               Marjan Ghazvininejad and
               Abdelrahman Mohamed and
               Omer Levy and
               Veselin Stoyanov and
               Luke Zettlemoyer},
  title     = {{BART:} Denoising Sequence-to-Sequence Pre-training for Natural Language
               Generation, Translation, and Comprehension},
  journal   = {CoRR},
  volume    = {abs/1910.13461},
  year      = {2019},
  url       = {http://arxiv.org/abs/1910.13461},
  eprinttype = {arXiv},
  eprint    = {1910.13461},
  timestamp = {Thu, 31 Oct 2019 14:02:26 +0100},
  biburl    = {https://dblp.org/rec/journals/corr/abs-1910-13461.bib},
  bibsource = {dblp computer science bibliography, https://dblp.org}
}