agriculture_text_transform_model

Agriculture Text Transform Model 🇷🇺🌾

Модель на базе cointegrated/rut5-base-multitask, дообученная на паре input → output из Excel-файла, предназначена для трансформации аграрных или иных текстов: исправления, нормализации, переформулирования и т.п.

---

🧠 Архитектура

• Тип модели: Sequence-to-Sequence (Text2Text)
• Архитектура: T5 (Text-to-Text Transfer Transformer)
• Основа: cointegrated/rut5-base-multitask
• Фреймворк: PyTorch + Transformers
• GPU: использовалась CUDA для обучения

---

📁 Структура модели

agriculture_text_transform_model/
├── config.json
├── generation_config.json
├── model.safetensors
├── special_tokens_map.json
├── spiece.model
├── tokenizer_config.json

---

📊 Обучение

Обучение производилось на кастомном датасете в формате Excel (train.xlsx) без заголовков, где:

• input — исходный текст,
• output — целевой текст.

---

Параметры обучения:

• Модель: cointegrated/rut5-base-multitask
• Эпох: 95
• Размер батча: 16
• Максимальная длина текста: 128
• Optimizer: Adam (lr=1e-5)

---

Пример исользования:

import torch
from transformers import T5ForConditionalGeneration, T5Tokenizer

model = T5ForConditionalGeneration.from_pretrained("RimasZzz/agriculture_text_transform_model").cuda()
tokenizer = T5Tokenizer.from_pretrained("RimasZzz/agriculture_text_transform_model")

def transform_text(text, **kwargs):
    inputs = tokenizer(text, return_tensors='pt', truncation=True, max_length=128).to(model.device)
    with torch.no_grad():
        outputs = model.generate(
            **inputs,
            max_length=128,
            num_beams=5,
            repetition_penalty=2.5,
            **kwargs
        )
    return tokenizer.decode(outputs[0], skip_special_tokens=True)

# Пример:
transform_text("Пахота зяби под мн тр")
# → "Пахота зяби под Многолетние травы"

---

license: apache-2.0 language:

• ru base_model:
• cointegrated/rut5-base-multitask library_name: transformers tags:
• biology

---