metadata
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: []
flan-t5-large-lfqa-fr
This model is a fine-tuned version of 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
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)