模型:

ccdv/lsg-bart-base-4096-wcep

任务:

摘要生成

类库:

PyTorch Transformers

数据集:

ccdv/WCEP-10 3Accdv/WCEP-10

语言:

其他:

bart 文生文 custom_code AutoTrain Compatible

预印本库:

arxiv:2210.15497

模型介绍文件清单

英文

Transformers >= 4.23.1 这个模型依赖于自定义的建模文件，需要添加 trust_remote_code=True 查看 #13467

LSG ArXiv paper . Github/conversion 脚本可在此 link 找到。

from transformers import AutoTokenizer, AutoModelForSeq2SeqLM, pipeline

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

ccdv/lsg-bart-base-4096-wcep

这个模型是在 ccdv/lsg-bart-base-4096 的基础上经过微调得到的，使用了 ccdv/WCEP-10 roberta 数据集。在测试集上取得了以下结果：

Length	Sparse Type	Block Size	Sparsity	Connexions	R1	R2	RL	RLsum
4096	Local	256	0	768	46.02	24.23	37.38	38.72
4096	Local	128	0	384	45.43	23.86	36.94	38.30
4096	Pooling	128	4	644	45.36	23.61	36.75	38.06
4096	Stride	128	4	644	45.87	24.31	37.41	38.70
4096	Block Stride	128	4	644	45.78	24.16	37.20	38.48
4096	Norm	128	4	644	45.34	23.39	36.47	37.78
4096	LSH	128	4	644	45.15	23.53	36.74	38.02

使用较小的块大小（较低的资源）：

Length	Sparse Type	Block Size	Sparsity	Connexions	R1	R2	RL	RLsum
4096	Local	64	0	192	44.48	22.98	36.20	37.52
4096	Local	32	0	96	43.60	22.17	35.61	36.66
4096	Pooling	32	4	160	43.91	22.41	35.80	36.92
4096	Stride	32	4	160	44.62	23.11	36.32	37.53
4096	Block Stride	32	4	160	44.47	23.02	36.28	37.46
4096	Norm	32	4	160	44.45	23.03	36.10	37.33
4096	LSH	32	4	160	43.87	22.50	35.75	36.93

模型描述

该模型使用本地稀疏全局注意力机制处理长序列：

该模型约有145百万参数（6个编码器层 - 6个解码器层）。该模型从BART-base启动，转为处理长序列（仅编码器部分），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。

训练过程

训练超参数

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: 10.0

生成超参数

生成过程中使用了以下超参数：

dataset_name: ccdv/WCEP-10
dataset_config_name: roberta
eval_batch_size: 8
eval_samples: 1022
early_stopping: True
ignore_pad_token_for_loss: True
length_penalty: 2.0
max_length: 64
min_length: 0
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

作者:

ccdv

数据集大小:

554.92 MB