|
--- |
|
license: apache-2.0 |
|
datasets: |
|
- TucanoBR/GigaVerbo-Text-Filter |
|
language: |
|
- pt |
|
metrics: |
|
- accuracy |
|
library_name: transformers |
|
pipeline_tag: text-classification |
|
tags: |
|
- text-quality |
|
- portuguese |
|
widget: |
|
- text: "Os tucanos são aves que correspondem à família Ramphastidae, vivem nas florestas tropicais da América Central e América do Sul. A família inclui cinco gêneros e mais de quarenta espécies diferentes. Possuem bicos notavelmente grandes e coloridos, que possuem a função de termorregulação para as muitas espécies que passam muito tempo na copa da floresta exposta ao sol tropical quente." |
|
example_title: Sample 1 |
|
- text: "12 de março de 2021 | São Paulo 8 de agosto de 1999 | Porto Alegre 25 de dezembro de 2022 | Rio de Janeiro 17 de julho de 1985 | Lisboa 4 de outubro de 2010 | Belo Horizonte 23 de setembro de 1978 | Paris 14 de fevereiro de 2003 | Nova Iorque 19 de junho de 1994 | Brasília 5 de novembro de 2009 | Curitiba 30 de abril de 2015 | Buenos Aires" |
|
example_title: Sample 2 |
|
--- |
|
# BERTimbau-large-text-filter |
|
|
|
BERTimbau-large-text-filter is a [BERT](https://huggingface.co/neuralmind/bert-large-portuguese-cased) model that can be used to score the quality of a given Portuguese text string. This model was trained on the [GigaVerbo-Text-Filter](https://huggingface.co/datasets/TucanoBR/GigaVerbo-Text-Filter) dataset. |
|
|
|
## Details |
|
|
|
- **Size:** 334,398,466 parameters |
|
- **Dataset:** [GigaVerbo-Text-Filter](https://huggingface.co/datasets/TucanoBR/GigaVerbo-Text-Filter) |
|
- **Language:** Portuguese |
|
- **Number of Training Epochs:** 3 |
|
- **Batch size:** 128 |
|
- **Optimizer:** `torch.optim.AdamW` |
|
- **Learning Rate:** 4e-5 |
|
|
|
This repository has the [source code](https://github.com/Nkluge-correa/Tucano) used to train this model. |
|
|
|
## Usage |
|
|
|
Here's an example of how to use the BERTimbau-large-text-filter: |
|
|
|
```python |
|
from transformers import AutoTokenizer, AutoModelForSequenceClassification |
|
from transformers import TextClassificationPipeline |
|
import torch |
|
|
|
device = torch.device("cuda" if torch.cuda.is_available() else "cpu") |
|
|
|
tokenizer = AutoTokenizer.from_pretrained("TucanoBR/BERTimbau-large-text-filter") |
|
model = AutoModelForSequenceClassification.from_pretrained("TucanoBR/BERTimbau-large-text-filter") |
|
model.to(device) |
|
|
|
classifier = TextClassificationPipeline(model=model, tokenizer=tokenizer, device=device) |
|
result = classifier("Os tucanos são aves que correspondem à família Ramphastidae, vivem nas florestas tropicais da América Central e América do Sul. A família inclui cinco gêneros e mais de quarenta espécies diferentes. Possuem bicos notavelmente grandes e coloridos, que possuem a função de termorregulação para as muitas espécies que passam muito tempo na copa da floresta exposta ao sol tropical quente.") |
|
``` |
|
|
|
## Cite as 🤗 |
|
|
|
```latex |
|
@misc{correa2024tucanoadvancingneuraltext, |
|
title={{Tucano: Advancing Neural Text Generation for Portuguese}}, |
|
author={Corr{\^e}a, Nicholas Kluge and Sen, Aniket and Falk, Sophia and Fatimah, Shiza}, |
|
year={2024}, |
|
eprint={2411.07854}, |
|
archivePrefix={arXiv}, |
|
primaryClass={cs.CL}, |
|
url={https://arxiv.org/abs/2411.07854}, |
|
} |
|
``` |
|
|
|
## Aknowlegments |
|
|
|
We gratefully acknowledge the granted access to the [Marvin cluster](https://www.hpc.uni-bonn.de/en/systems/marvin) hosted by [University of Bonn](https://www.uni-bonn.de/en) along with the support provided by its High Performance Computing \& Analytics Lab. |
|
|
|
## License |
|
|
|
BERTimbau-large-text-filter is licensed under the Apache License, Version 2.0. For more details, see the [LICENSE](LICENSE) file. |
|
|