Iker commited on
Commit
7e5a633
1 Parent(s): b831371

Update README.md

Browse files
Files changed (1) hide show
  1. README.md +263 -195
README.md CHANGED
@@ -1,199 +1,267 @@
1
  ---
2
- library_name: transformers
3
- tags: []
4
  ---
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
5
 
6
- # Model Card for Model ID
7
-
8
- <!-- Provide a quick summary of what the model is/does. -->
9
-
10
-
11
-
12
- ## Model Details
13
-
14
- ### Model Description
15
-
16
- <!-- Provide a longer summary of what this model is. -->
17
-
18
- This is the model card of a 🤗 transformers model that has been pushed on the Hub. This model card has been automatically generated.
19
-
20
- - **Developed by:** [More Information Needed]
21
- - **Funded by [optional]:** [More Information Needed]
22
- - **Shared by [optional]:** [More Information Needed]
23
- - **Model type:** [More Information Needed]
24
- - **Language(s) (NLP):** [More Information Needed]
25
- - **License:** [More Information Needed]
26
- - **Finetuned from model [optional]:** [More Information Needed]
27
-
28
- ### Model Sources [optional]
29
-
30
- <!-- Provide the basic links for the model. -->
31
-
32
- - **Repository:** [More Information Needed]
33
- - **Paper [optional]:** [More Information Needed]
34
- - **Demo [optional]:** [More Information Needed]
35
-
36
- ## Uses
37
-
38
- <!-- Address questions around how the model is intended to be used, including the foreseeable users of the model and those affected by the model. -->
39
-
40
- ### Direct Use
41
-
42
- <!-- This section is for the model use without fine-tuning or plugging into a larger ecosystem/app. -->
43
-
44
- [More Information Needed]
45
-
46
- ### Downstream Use [optional]
47
-
48
- <!-- This section is for the model use when fine-tuned for a task, or when plugged into a larger ecosystem/app -->
49
-
50
- [More Information Needed]
51
-
52
- ### Out-of-Scope Use
53
-
54
- <!-- This section addresses misuse, malicious use, and uses that the model will not work well for. -->
55
-
56
- [More Information Needed]
57
-
58
- ## Bias, Risks, and Limitations
59
-
60
- <!-- This section is meant to convey both technical and sociotechnical limitations. -->
61
-
62
- [More Information Needed]
63
-
64
- ### Recommendations
65
-
66
- <!-- This section is meant to convey recommendations with respect to the bias, risk, and technical limitations. -->
67
-
68
- Users (both direct and downstream) should be made aware of the risks, biases and limitations of the model. More information needed for further recommendations.
69
-
70
- ## How to Get Started with the Model
71
-
72
- Use the code below to get started with the model.
73
-
74
- [More Information Needed]
75
-
76
- ## Training Details
77
-
78
- ### Training Data
79
-
80
- <!-- This should link to a Dataset Card, perhaps with a short stub of information on what the training data is all about as well as documentation related to data pre-processing or additional filtering. -->
81
-
82
- [More Information Needed]
83
-
84
- ### Training Procedure
85
-
86
- <!-- This relates heavily to the Technical Specifications. Content here should link to that section when it is relevant to the training procedure. -->
87
-
88
- #### Preprocessing [optional]
89
-
90
- [More Information Needed]
91
-
92
-
93
- #### Training Hyperparameters
94
-
95
- - **Training regime:** [More Information Needed] <!--fp32, fp16 mixed precision, bf16 mixed precision, bf16 non-mixed precision, fp16 non-mixed precision, fp8 mixed precision -->
96
-
97
- #### Speeds, Sizes, Times [optional]
98
-
99
- <!-- This section provides information about throughput, start/end time, checkpoint size if relevant, etc. -->
100
-
101
- [More Information Needed]
102
-
103
- ## Evaluation
104
-
105
- <!-- This section describes the evaluation protocols and provides the results. -->
106
-
107
- ### Testing Data, Factors & Metrics
108
-
109
- #### Testing Data
110
-
111
- <!-- This should link to a Dataset Card if possible. -->
112
-
113
- [More Information Needed]
114
-
115
- #### Factors
116
-
117
- <!-- These are the things the evaluation is disaggregating by, e.g., subpopulations or domains. -->
118
-
119
- [More Information Needed]
120
-
121
- #### Metrics
122
-
123
- <!-- These are the evaluation metrics being used, ideally with a description of why. -->
124
-
125
- [More Information Needed]
126
-
127
- ### Results
128
-
129
- [More Information Needed]
130
-
131
- #### Summary
132
-
133
-
134
-
135
- ## Model Examination [optional]
136
-
137
- <!-- Relevant interpretability work for the model goes here -->
138
-
139
- [More Information Needed]
140
-
141
- ## Environmental Impact
142
-
143
- <!-- Total emissions (in grams of CO2eq) and additional considerations, such as electricity usage, go here. Edit the suggested text below accordingly -->
144
-
145
- Carbon emissions can be estimated using the [Machine Learning Impact calculator](https://mlco2.github.io/impact#compute) presented in [Lacoste et al. (2019)](https://arxiv.org/abs/1910.09700).
146
-
147
- - **Hardware Type:** [More Information Needed]
148
- - **Hours used:** [More Information Needed]
149
- - **Cloud Provider:** [More Information Needed]
150
- - **Compute Region:** [More Information Needed]
151
- - **Carbon Emitted:** [More Information Needed]
152
-
153
- ## Technical Specifications [optional]
154
-
155
- ### Model Architecture and Objective
156
-
157
- [More Information Needed]
158
-
159
- ### Compute Infrastructure
160
-
161
- [More Information Needed]
162
-
163
- #### Hardware
164
-
165
- [More Information Needed]
166
-
167
- #### Software
168
-
169
- [More Information Needed]
170
-
171
- ## Citation [optional]
172
-
173
- <!-- If there is a paper or blog post introducing the model, the APA and Bibtex information for that should go in this section. -->
174
-
175
- **BibTeX:**
176
-
177
- [More Information Needed]
178
-
179
- **APA:**
180
-
181
- [More Information Needed]
182
-
183
- ## Glossary [optional]
184
-
185
- <!-- If relevant, include terms and calculations in this section that can help readers understand the model or model card. -->
186
-
187
- [More Information Needed]
188
-
189
- ## More Information [optional]
190
-
191
- [More Information Needed]
192
-
193
- ## Model Card Authors [optional]
194
-
195
- [More Information Needed]
196
-
197
- ## Model Card Contact
198
 
199
- [More Information Needed]
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
1
  ---
 
 
2
  ---
3
+ license: cc-by-nc-sa-4.0
4
+ datasets:
5
+ - Iker/NoticIA
6
+ language:
7
+ - es
8
+ metrics:
9
+ - rouge
10
+ library_name: transformers
11
+ pipeline_tag: text-generation
12
+ base_model: openchat/openchat-3.5-0106
13
+ tags:
14
+ - clickbait
15
+ - noticia
16
+ - spanish
17
+ - summary
18
+ - summarization
19
+ widget:
20
+ - example_title: Summary Example
21
+ messages:
22
+ - role: user
23
+ content: "Ahora eres una Inteligencia Artificial experta en desmontar titulares
24
+ sensacionalistas o clickbait. Tu tarea consiste en analizar noticias
25
+ con titulares sensacionalistas y generar un resumen de una sola frase
26
+ que revele la verdad detrás del titular.\\nEste es el titular de la
27
+ noticia: Le compra un abrigo a su abuela de 97 años y la reacción de
28
+ esta es una fantasía\\nEl titular plantea una pregunta o proporciona
29
+ información incompleta. Debes buscar en el cuerpo de la noticia una
30
+ frase que responda lo que se sugiere en el título. Siempre que puedas
31
+ cita el texto original, especialmente si se trata de una frase que
32
+ alguien ha dicho. Si citas una frase que alguien ha dicho, usa
33
+ comillas para indicar que es una cita. Usa siempre las mínimas
34
+ palabras posibles. No es necesario que la respuesta sea una oración
35
+ completa. Puede ser sólo el foco de la pregunta. Recuerda responder
36
+ siempre en Español.\\nEste es el cuerpo de la noticia:\\nLa usuaria de
37
+ X @Kokreta1 ha relatado la conversación que ha tenido con su abuela de
38
+ 97 años cuando le ha dado el abrigo que le ha comprado para su
39
+ cumpleaños.\\nTeniendo en cuenta la avanzada edad de la señora, la
40
+ tuitera le ha regalado una prenda acorde a sus años, algo con lo que
41
+ su yaya no ha estado de acuerdo.\\nEl abrigo es de vieja, ha opinado
42
+ la mujer cuando lo ha visto. Os juro que soy muy fan. Mañana vamos las
43
+ dos (a por otro). Eso sí, la voy a llevar al Bershka, ha asegurado
44
+ entre risas la joven.\\nSegún la propia cadena de ropa, la cual
45
+ pertenece a Inditex, su público se caracteriza por ser jóvenes
46
+ atrevidos, conocedores de las últimas tendencias e interesados en la
47
+ música, las redes sociales y las nuevas tecnologías, por lo que la
48
+ gente mayor no suele llevar este estilo.\\nLa inusual personalidad de
49
+ la señora ha encantado a los usuarios de la red. Es por eso que el
50
+ relato ha acumulado más de 1.000 me gusta y cerca de 100 retuits,
51
+ además de una multitud de comentarios.\\n"
52
 
53
+ ---
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
54
 
55
+ <table>
56
+ <tr>
57
+ <td style="width:100%"><img src="https://github.com/ikergarcia1996/NoticIA/blob/main/assets/head.png?raw=true" align="right" width="100%"> </td>
58
+ </tr>
59
+ </table>
60
+
61
+ A model finetuned with the [NoticIA Dataset](https://huggingface.co/datasets/Iker/NoticIA). This model can generate summaries of clickbait headlines
62
+
63
+ - 📖 Paper: [Coming soon]()
64
+ - 📓 NoticIA Dataset: [https://huggingface.co/datasets/Iker/NoticIA](https://huggingface.co/datasets/Iker/NoticIA)
65
+ - 💻 Baseline Code: [https://github.com/ikergarcia1996/NoticIA](https://github.com/ikergarcia1996/NoticIA)
66
+ - 🤖 Pre Trained Models [https://huggingface.co/collections/Iker/noticia-and-clickbaitfighter-65fdb2f80c34d7c063d3e48e](https://huggingface.co/collections/Iker/noticia-and-clickbaitfighter-65fdb2f80c34d7c063d3e48e)
67
+ - 🔌 Online Demo: [https://iker-clickbaitfighter.hf.space/](https://iker-clickbaitfighter.hf.space/)
68
+
69
+
70
+ # Open Source Models
71
+ <table border="1" cellspacing="0" cellpadding="5">
72
+ <thead>
73
+ <tr>
74
+ <th></th>
75
+ <th><a href="https://huggingface.co/Iker/ClickbaitFighter-2B">Iker/ClickbaitFighter-2B</a></th>
76
+ <th><a href="https://huggingface.co/Iker/ClickbaitFighter-7B">Iker/ClickbaitFighter-7B</a></th>
77
+ <th><a href="https://huggingface.co/Iker/ClickbaitFighter-10B">Iker/ClickbaitFighter-10B</a></th>
78
+ </tr>
79
+ </thead>
80
+ <tbody>
81
+ <tr>
82
+ <td>Param. no.</td>
83
+ <td>2B</td>
84
+ <td>7B</td>
85
+ <td>10M</td>
86
+ </tr>
87
+ <tr>
88
+ <td>ROUGE</td>
89
+ <td>36.26</td>
90
+ <td>49.81</td>
91
+ <td>52.01</td>
92
+ </tr>
93
+ <tr>
94
+ </tbody>
95
+ </table>
96
+
97
+ # Evaluation Results
98
+ <table>
99
+ <tr>
100
+ <td style="width:100%"><img src="https://github.com/ikergarcia1996/NoticIA/raw/main/results/Results.png" align="right" width="100%"> </td>
101
+ </tr>
102
+ </table>
103
+
104
+
105
+ # Usage example:
106
+
107
+ ## Summarize a web article
108
+ ```python
109
+ import torch # pip install torch
110
+ from newspaper import Article #pip3 install newspaper3k
111
+ from transformers import AutoTokenizer, AutoModelForCausalLM, GenerationConfig # pip install transformers
112
+
113
+ article_url ="https://www.huffingtonpost.es/virales/le-compra-abrigo-abuela-97nos-reaccion-fantasia.html"
114
+ article = Article(article_url)
115
+ article.download()
116
+ article.parse()
117
+ headline=article.title
118
+ body = article.text
119
+
120
+ def prompt(
121
+ headline: str,
122
+ body: str,
123
+ ) -> str:
124
+ """
125
+ Generate the prompt for the model.
126
+
127
+ Args:
128
+ headline (`str`):
129
+ The headline of the article.
130
+ body (`str`):
131
+ The body of the article.
132
+ Returns:
133
+ `str`: The formatted prompt.
134
+ """
135
+
136
+ return (
137
+ f"Ahora eres una Inteligencia Artificial experta en desmontar titulares sensacionalistas o clickbait. "
138
+ f"Tu tarea consiste en analizar noticias con titulares sensacionalistas y "
139
+ f"generar un resumen de una sola frase que revele la verdad detrás del titular.\n"
140
+ f"Este es el titular de la noticia: {headline}\n"
141
+ f"El titular plantea una pregunta o proporciona información incompleta. "
142
+ f"Debes buscar en el cuerpo de la noticia una frase que responda lo que se sugiere en el título. "
143
+ f"Siempre que puedas cita el texto original, especialmente si se trata de una frase que alguien ha dicho. "
144
+ f"Si citas una frase que alguien ha dicho, usa comillas para indicar que es una cita. "
145
+ f"Usa siempre las mínimas palabras posibles. No es necesario que la respuesta sea una oración completa. "
146
+ f"Puede ser sólo el foco de la pregunta. "
147
+ f"Recuerda responder siempre en Español.\n"
148
+ f"Este es el cuerpo de la noticia:\n"
149
+ f"{body}\n"
150
+ )
151
+
152
+ prompt = prompt(headline=headline, body=body)
153
+
154
+ tokenizer = AutoTokenizer.from_pretrained("Iker/ClickbaitFighter-7B")
155
+ model = AutoModelForCausalLM.from_pretrained(
156
+ "Iker/ClickbaitFighter-2B", torch_dtype=torch.bfloat16, device_map="auto"
157
+ )
158
+
159
+ formatted_prompt = tokenizer.apply_chat_template(
160
+ [{"role": "user", "content": prompt}],
161
+ tokenize=False,
162
+ add_generation_prompt=True,
163
+ )
164
+
165
+ model_inputs = tokenizer(
166
+ [formatted_prompt], return_tensors="pt", add_special_tokens=False
167
+ )
168
+
169
+ model_output = model.generate(**model_inputs.to(model.device), generation_config=GenerationConfig(
170
+ max_new_tokens=32,
171
+ min_new_tokens=1,
172
+ do_sample=False,
173
+ num_beams=1,
174
+ use_cache=True
175
+ ))
176
+
177
+ summary = tokenizer.batch_decode(model_output,skip_special_tokens=True)[0]
178
+
179
+ print(summary.strip().split("\n")[-1]) # Get only the summary, without the prompt.
180
+ ```
181
+
182
+ ## Run inference in the NoticIA dataset
183
+ ```python
184
+ import torch # pip install torch
185
+ from newspaper import Article #pip3 install newspaper3k
186
+ from datasets import load_dataset # pip install datasets
187
+ from transformers import AutoTokenizer, AutoModelForCausalLM, GenerationConfig # pip install transformers
188
+
189
+ dataset = load_dataset("Iker/NoticIA")
190
+ example = dataset["test"][0]
191
+ headline = example["web_headline"]
192
+ body = example["web_text"]
193
+
194
+ def prompt(
195
+ headline: str,
196
+ body: str,
197
+ ) -> str:
198
+ """
199
+ Generate the prompt for the model.
200
+
201
+ Args:
202
+ headline (`str`):
203
+ The headline of the article.
204
+ body (`str`):
205
+ The body of the article.
206
+ Returns:
207
+ `str`: The formatted prompt.
208
+ """
209
+
210
+ return (
211
+ f"Ahora eres una Inteligencia Artificial experta en desmontar titulares sensacionalistas o clickbait. "
212
+ f"Tu tarea consiste en analizar noticias con titulares sensacionalistas y "
213
+ f"generar un resumen de una sola frase que revele la verdad detrás del titular.\n"
214
+ f"Este es el titular de la noticia: {headline}\n"
215
+ f"El titular plantea una pregunta o proporciona información incompleta. "
216
+ f"Debes buscar en el cuerpo de la noticia una frase que responda lo que se sugiere en el título. "
217
+ f"Siempre que puedas cita el texto original, especialmente si se trata de una frase que alguien ha dicho. "
218
+ f"Si citas una frase que alguien ha dicho, usa comillas para indicar que es una cita. "
219
+ f"Usa siempre las mínimas palabras posibles. No es necesario que la respuesta sea una oración completa. "
220
+ f"Puede ser sólo el foco de la pregunta. "
221
+ f"Recuerda responder siempre en Español.\n"
222
+ f"Este es el cuerpo de la noticia:\n"
223
+ f"{body}\n"
224
+ )
225
+
226
+ prompt = prompt(headline=headline, body=body)
227
+
228
+ tokenizer = AutoTokenizer.from_pretrained("Iker/ClickbaitFighter-7B")
229
+ model = AutoModelForCausalLM.from_pretrained(
230
+ "Iker/ClickbaitFighter-2B", torch_dtype=torch.bfloat16, device_map="auto"
231
+ )
232
+
233
+ formatted_prompt = tokenizer.apply_chat_template(
234
+ [{"role": "user", "content": prompt}],
235
+ tokenize=False,
236
+ add_generation_prompt=True,
237
+ )
238
+
239
+ model_inputs = tokenizer(
240
+ [formatted_prompt], return_tensors="pt", add_special_tokens=False
241
+ )
242
+
243
+ model_output = model.generate(**model_inputs.to(model.device), generation_config=GenerationConfig(
244
+ max_new_tokens=32,
245
+ min_new_tokens=1,
246
+ do_sample=False,
247
+ num_beams=1,
248
+ use_cache=True
249
+ ))
250
+
251
+ summary = tokenizer.batch_decode(model_output,skip_special_tokens=True)[0]
252
+
253
+ print(summary.strip().split("\n")[-1]) # Get only the summary, without the prompt.
254
+ ```
255
+
256
+
257
+ # Citation
258
+
259
+ Paper coming soon, for now, you can use this citation:
260
+ ```bittext
261
+ @misc{garcia-ferrero-etal-2024-noticia,
262
+ title = "NoticIA: A Clickbait Article Summarization Dataset in Spanish.",
263
+ author = "Garc{\'\i}a-Ferrero, Iker and Altuna, Bego{\~n}a",
264
+ year = "2024",
265
+ url = "https://github.com/ikergarcia1996/NoticIA"
266
+ }
267
+ ```