modello_addestrato_adr

Model Card for Model ID

Questo modello fornisce informazioni base sull'ADR-2023 in lingua inglese

Descrizione modello

Questo è un modello pre-addestrato GPT2 a cui è stato effettuato il fine tuning con informazioni testuali riguardanti l'ADR-2023. E' stata utilizzata la lingua inglese per ottimizzare la resa output del modello. Il framework utilizzato è pytorch. Il processo di addestramento ha avuto l'obiettivo di istruire il modello a generare testo in modo coerente utilizzando un dataset composto da informazioni generali sull'ADR-2023

Utilizzo

Si può utilizzare il modello utilizzando pytorch e richiamandolo:

from transformers import GPT2Tokenizer, GPT2LMHeadModel

tokenizer = GPT2Tokenizer.from_pretrained('fabiogpt/modello_addestrato_adr') model = GPT2LMHeadModel.from_pretrained("fabiogpt/modello_addestrato_adr") text = "Inizia il tuo testo qui." encoded_input = tokenizer(text, return_tensors='pt') output = model.generate(encoded_input['input_ids'], max_length=50)

generated_text = tokenizer.decode(output[0], skip_special_tokens=True) print(generated_text)

Rischi e Limitazioni

<!-- This section is meant to convey both technical and sociotechnical limitations. -->

Il modello potrebbe produrre contenuti inappropriati poiché apprende dai dati su cui è stato addestrato. È principalmente rivolto alla generazione di testo in inglese e potrebbe non performare bene con altre lingue. Le informazioni fornite potrebbero non essere corrette, pertanto è opportuno verificarle.

Risultati della valutazione

Nell'utilizzo il modello raggiunge risultati soddisfacenti nella generazione di testo coerente. Se addestrato ulteriormente con informazioni più ampie e specifiche può migliorare le prestazioni.

Dati di addestramento

Il modello è stato addestrato con lo scopo di provare a dare informazioni aggiuntive al modello pre-addestrato. Le informaizioni utilizzate non sono esaustive ma sono servite come base per raggiungere lo scopo e valutare la qualità dell'addestramento.

Pre-processing

Preprocessing: I testi sono stati tokenizzati utilizzando il tokenizer GPT-2, che suddivide il testo in token compatibili con il modello GPT-2. Gli input al modello sono sequenze di questi token.