File size: 8,845 Bytes
addd912 c326b62 8d68ffa addd912 8d68ffa c326b62 8d68ffa c326b62 8d68ffa c326b62 8d68ffa c326b62 8d68ffa addd912 c326b62 addd912 c326b62 addd912 |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 |
---
language:
- fr
license: apache-2.0
tags:
- flan-t5
- qa
- lfqa
- information retrieval
datasets:
- vblagoje/lfqa
metrics:
- rouge
widget:
- text: 'Please answer to the following question : Comment fonctionne un modèle de
langue ? Que signifi un modèle de question réponse générative ? context : Les
modèles de langage basés sur le deep learning sont des modèles dapprentissage
automatique qui utilisent des techniques dapprentissage profond pour effectuer
des tâches de langage.En traitement automatique des langues, un modèle de langage
est un modèle statistique qui modélise la distribution de séquences de mots, plus
généralement de séquences de symboles discrets (lettres, phonèmes, mots), dans
une langue naturelle. Un modèle de langage peut par exemple prédire le mot suivant
une séquence de mots1.BERT, GPT-3 et Bloom sont des modèles de langage.Les modèles
de Question Réponse (QA) permette d''automatiser la réponse aux questions fréquemment
posées en utilisant une base de connaissances (documents) comme contexte. Les
réponses aux questions des clients peuvent être tirées de ces documents.Il existe
différentes variantes de modèle de question réponse : question réponse extractive
: le modèle extrait la réponse d''un contexte. Le contexte ici peut être un texte
fourni, un tableau ou même du HTML ! Ceci est généralement résolu avec des modèles
de type BERT. question réponse générative ouverte : le modèle génère du texte
libre directement en fonction du contexte. question réponse générative fermée
: dans ce cas, aucun contexte n''est fourni. La réponse est entièrement générée
par un modèle.Les modèles de langage basés sur le deep learning sont des modèles
dapprentissage automatique qui utilisent des techniques dapprentissage profond
pour effectuer des tâches de langage.En traitement automatique des langues, un
modèle de langage est un modèle statistique qui modélise la distribution de séquences
de mots, plus généralement de séquences de symboles discrets (lettres, phonèmes,
mots), dans une langue naturelle. Un modèle de langage peut par exemple prédire
le mot suivant une séquence de mots.Les modèles de Question Réponse (QA) permette d''automatiser
la réponse aux questions fréquemment posées en utilisant une base de connaissances
(documents) comme contexte. Les réponses aux questions des clients peuvent être
tirées de ces documents.Il existe différentes variantes de modèle de question
réponse : question réponse extractive : le modèle extrait la réponse d''un contexte.
Le contexte ici peut être un texte fourni, un tableau ou même du HTML ! Ceci est
généralement résolu avec des modèles de type BERT. question réponse générative
ouverte : le modèle génère du texte libre directement en fonction du contexte.
question réponse générative fermée : dans ce cas, aucun contexte n''est fourni.
La réponse est entièrement générée par un modèle. '
example_title: Les modèles de langage
inference:
parameters:
max_length: 512
num_return_sequences: 1
min_length: 80
no_repeat_ngram_size: 4
do_sample: false
num_beams: 8
early_stopping: true
base_model: google/flan-t5-large
model-index:
- name: flan-t5-large-lfqa-fr-v3
results: []
---
<!-- This model card has been generated automatically according to the information the Trainer had access to. You
should probably proofread and complete it, then remove this comment. -->
# flan-t5-large-lfqa-fr
This model is a fine-tuned version of [google/flan-t5-large](https://huggingface.co/google/flan-t5-large) on some examples (50000) of the vblagoje/lfqa dataset translated automatically to French using Helsinki-NLP/opus-mt-en-fr model.
Therefore the main task this model can perform is abstractive question answering given certain context paragraphs which can be used to answer that question.
## Model description
More information needed
## Intended uses & limitations
More information needed
## Training and evaluation data
More information needed
## Training procedure
### Training hyperparameters
The following hyperparameters were used during training:
- learning_rate: 2e-05
- train_batch_size: 1
- eval_batch_size: 1
- seed: 42
- gradient_accumulation_steps: 16
- total_train_batch_size: 16
- optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
- lr_scheduler_type: linear
- num_epochs: 1.0
### Training results
### Usage
```python
from transformers import AutoTokenizer, AutoModel, AutoModelForSeq2SeqLM
model_name = "hmahmoud/flan-t5-large-lfqa-fr-v3"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForSeq2SeqLM.from_pretrained(model_name)
query = "Comment fonctionne un modèle de langue ? Que signifi un modèle de question réponse générative ?"
document = "Les modèles de langage basés sur le deep learning sont des modèles dapprentissage automatique qui utilisent des techniques dapprentissage profond pour effectuer des tâches de langage.En traitement automatique des langues, un modèle de langage est un modèle statistique qui modélise la distribution de séquences de mots, plus généralement de séquences de symboles discrets (lettres, phonèmes, mots), dans une langue naturelle. Un modèle de langage peut par exemple prédire le mot suivant une séquence de mots1.BERT, GPT-3 et Bloom sont des modèles de langage.Les modèles de Question Réponse (QA) permette d'automatiser la réponse aux questions fréquemment posées en utilisant une base de connaissances (documents) comme contexte. Les réponses aux questions des clients peuvent être tirées de ces documents.Il existe différentes variantes de modèle de question réponse : question réponse extractive : le modèle extrait la réponse d'un contexte. Le contexte ici peut être un texte fourni, un tableau ou même du HTML ! Ceci est généralement résolu avec des modèles de type BERT. question réponse générative ouverte : le modèle génère du texte libre directement en fonction du contexte. question réponse générative fermée : dans ce cas, aucun contexte n'est fourni. La réponse est entièrement générée par un modèle.Les modèles de langage basés sur le deep learning sont des modèles dapprentissage automatique qui utilisent des techniques dapprentissage profond pour effectuer des tâches de langage.En traitement automatique des langues, un modèle de langage est un modèle statistique qui modélise la distribution de séquences de mots, plus généralement de séquences de symboles discrets (lettres, phonèmes, mots), dans une langue naturelle. Un modèle de langage peut par exemple prédire le mot suivant une séquence de mots.Les modèles de Question Réponse (QA) permette d'automatiser la réponse aux questions fréquemment posées en utilisant une base de connaissances (documents) comme contexte. Les réponses aux questions des clients peuvent être tirées de ces documents.Il existe différentes variantes de modèle de question réponse : question réponse extractive : le modèle extrait la réponse d'un contexte. Le contexte ici peut être un texte fourni, un tableau ou même du HTML ! Ceci est généralement résolu avec des modèles de type BERT. question réponse générative ouverte : le modèle génère du texte libre directement en fonction du contexte. question réponse générative fermée : dans ce cas, aucun contexte n'est fourni. La réponse est entièrement générée par un modèle."
query_and_docs = "Please answer to the following question : {} context: {}".format(query, document)
model_input = tokenizer(query_and_docs, truncation=True, padding=True, return_tensors="pt")
generated_answers_encoded = model.generate(input_ids=model_input["input_ids"].to(device),
attention_mask=model_input["attention_mask"].to(device),
min_length=80,
max_length=512,
do_sample=False,
early_stopping=True,
num_beams=8,
temperature=None,
top_k=None,
top_p=None,
eos_token_id=tokenizer.eos_token_id,
no_repeat_ngram_size=4,
num_return_sequences=1)
tokenizer.batch_decode(generated_answers_encoded, skip_special_tokens=True,clean_up_tokenization_spaces=True)
```
|