Transformers >= 4.23.1 该模型依赖于自定义的建模文件，您需要添加trust_remote_code=True 详情请参见 #13467

LSG ArXiv paper . Github/conversion script is available at this link .

from transformers import AutoTokenizer, AutoModelForSeq2SeqLM, pipeline

tokenizer = AutoTokenizer.from_pretrained("ccdv/lsg-bart-base-16384-pubmed", trust_remote_code=True)
model = AutoModelForSeq2SeqLM.from_pretrained("ccdv/lsg-bart-base-16384-pubmed", trust_remote_code=True)

text = "Replace by what you want."
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-16384-pubmed

该模型是在 ccdv/lsg-bart-base-4096-pubmed 基础上经过微调的版本，在 scientific_papers pubmed 数据集上进行了转换以处理16384个长序列并进行了一次时期的微调。它在测试集上取得了以下结果：

参考模型：

模型描述

该模型依赖于局部稀疏全局注意力来处理长序列：

该模型具有约145 million个参数（6个编码器层-6个解码器层）。该模型从 ccdv/lsg-bart-base-4096-pubmed 进行热启动，转换为处理长序列（仅编码器），并进行微调。

预期用途和限制

需要更多信息

训练和评估数据

需要更多信息

训练程序

训练超参数

在训练过程中使用了以下超参数：

• learning_rate: 8e-05
• train_batch_size: 8
• seed: 42
• gradient_accumulation_steps: 4
• total_train_batch_size: 32
• optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
• lr_scheduler_type: linear
• lr_scheduler_warmup_ratio: 0.1
• num_epochs: 1.0

生成超参数

在生成过程中使用了以下超参数：

• dataset_name: scientific_papers
• dataset_config_name: pubmed
• eval_batch_size: 4
• eval_samples: 6658
• early_stopping: True
• ignore_pad_token_for_loss: True
• length_penalty: 2.0
• max_length: 512
• min_length: 128
• num_beams: 5
• no_repeat_ngram_size: None
• seed: 123

框架版本

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