<\/div>

Zhao Zhibing, Wu Di<\/p>

Juicycode-Team<\/p><\/div><\/div>\n\n\n

<\/p>\n\n\n\n

\n
TEXT SCULPTOR \u2122 ist ein Zusammenfassungsextraktor, der von Juicycode unter Verwendung der Transformers-Architektur entwickelt und mit dem BART-Modell trainiert wurde.<\/strong><\/em><\/p>\n<\/blockquote>\n\n\n\n
Mit der rasanten Entwicklung der k\u00fcnstlichen Intelligenz und der Deep-Learning-Technologie wurden auf dem Gebiet der Verarbeitung nat\u00fcrlicher Sprache bedeutende Durchbr\u00fcche erzielt. Die Textzusammenfassung als wichtige Anwendung der Verarbeitung nat\u00fcrlicher Sprache hat die F\u00e4higkeit, eine gro\u00dfe Menge an Textinformationen in pr\u00e4gnante Punkte zu destillieren und so Lesezeit zu sparen und die Effizienz der Informationsbeschaffung zu verbessern. In vielen Bereichen, z. B. bei Nachrichten, wissenschaftlichen Forschungsberichten, Unternehmensberichten und anderen Szenarien, hat die Technologie der Textzusammenfassung ein breites Anwendungsspektrum und eine gro\u00dfe Marktnachfrage.<\/p>\n\n\n\n
Ziel dieses Projekts ist es, ein Verfahren zur Extraktion von Textzusammenfassungen auf der Grundlage eines vortrainierten BART-Modells zu entwickeln und zu implementieren, das eine effiziente und genaue Extraktion englischer Zusammenfassungen durch die Verwendung der Transformers-Architektur und Feinabstimmung der Trainingstechniken erm\u00f6glicht. Das Projekt verwendet eine benutzerfreundliche, in PyQt5 geschriebene Schnittstelle, die die Funktionen der Trainingsverwaltung, der Verlaufsbetrachtung und -visualisierung sowie des Modelltests implementiert, um den Bed\u00fcrfnissen der verschiedenen Benutzer im Prozess der Textzusammenfassung gerecht zu werden. Gleichzeitig setzt das Projekt die Multi-Threading-Technologie ein, um ein Blockieren der Schnittstelle zu vermeiden und eine schnelle Reaktion des Programms zu gew\u00e4hrleisten.<\/p>\n\n\n\n
TEXT SCULPTOR \u2122 extrahiert vortrainierte Modelle auf der Grundlage von Zusammenfassungen wie bart-large-cnn, bart-base usw. f\u00fcr ein fein abgestimmtes Training zur Optimierung der Modellleistung f\u00fcr bestimmte Nutzungsszenarien. Im Quellcode wird eine GPU (dedizierte Grafikkarte) f\u00fcr das Training des Modells verwendet. Es ist bekannt, dass das Training nicht abgeschlossen werden kann, wenn der dedizierte Speicher der GPU kleiner oder gleich 6 GB ist.<\/p>\n\n\n\n
Version<\/td> Update<\/td><\/tr>
2023.1<\/td> Implementierung von Verfahren zur Erg\u00e4nzung von Schulungs- und Testschnittstellen<\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n
\n
$\"\"$ \n\t\t\t
\n
$\"\"$ \n\t\t\t
\n
$\"\"$ \n\t\t\t
\n
$\"\"$ \n\t\t\t
<\/p>","protected":false},"excerpt":{"rendered":"
Mit der rasanten Entwicklung der k\u00fcnstlichen Intelligenz und der Deep-Learning-Technologie wurden auf dem Gebiet der Verarbeitung nat\u00fcrlicher Sprache bedeutende Durchbr\u00fcche erzielt. Die Textzusammenfassung als wichtige Anwendung der Verarbeitung nat\u00fcrlicher Sprache hat die F\u00e4higkeit, eine gro\u00dfe Menge an Textinformationen in pr\u00e4gnante Punkte zu destillieren und so Lesezeit zu sparen und die Effizienz der Informationsbeschaffung zu verbessern. In vielen Bereichen, z. B. bei Nachrichten, wissenschaftlichen Forschungsberichten, Unternehmensberichten und anderen Szenarien, hat die Technologie der Textzusammenfassung ein breites Anwendungsspektrum und eine gro\u00dfe Marktnachfrage.<\/p>\n
\u672c\u9879\u76ee\u65e8\u5728\u8bbe\u8ba1\u5e76\u5b9e\u73b0\u4e00\u4e2a\u57fa\u4e8e\u9884\u8bad\u7ec3BART\u6a21\u578b\u7684\u6587\u672c\u6458\u8981\u63d0\u53d6\u7a0b\u5e8f\uff0c\u901a\u8fc7\u4f7f\u7528transformers\u67b6\u6784\u548c\u5fae\u8c03\u8bad\u7ec3\u6280\u672f\uff0c\u5b9e\u73b0\u9ad8\u6548\u4e14\u51c6\u786e\u7684\u82f1\u6587\u6458\u8981\u63d0\u53d6\u3002\u9879\u76ee\u91c7\u7528\u4e86PyQt5\u7f16\u5199\u7684\u7528\u6237\u53cb\u597d\u754c\u9762\uff0c\u5b9e\u73b0\u4e86\u8bad\u7ec3\u7ba1\u7406\u3001\u5386\u53f2\u8bb0\u5f55\u67e5\u770b\u53ca\u53ef\u89c6\u5316\u3001\u6a21\u578b\u6d4b\u8bd5\u7b49\u529f\u80fd\uff0c\u6ee1\u8db3\u4e0d\u540c\u7528\u6237\u5728\u6587\u672c\u6458\u8981\u63d0\u53d6\u8fc7\u7a0b\u4e2d\u7684\u9700\u6c42\u3002\u540c\u65f6\uff0c\u9879\u76ee\u91c7\u7528\u591a\u7ebf\u7a0b\u6280\u672f\u907f\u514d\u754c\u9762\u963b\u585e\uff0c\u786e\u4fdd\u7a0b\u5e8f\u54cd\u5e94\u8fc5\u901f\u3002<\/p>","protected":false},"author":1,"featured_media":29,"comment_status":"closed","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[2],"tags":[],"class_list":["post-28","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-pc_app"],"_links":{"self":[{"href":"https:\/\/www.juicycode.cn\/de\/wp-json\/wp\/v2\/posts\/28"}],"collection":[{"href":"https:\/\/www.juicycode.cn\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.juicycode.cn\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.juicycode.cn\/de\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.juicycode.cn\/de\/wp-json\/wp\/v2\/comments?post=28"}],"version-history":[{"count":2,"href":"https:\/\/www.juicycode.cn\/de\/wp-json\/wp\/v2\/posts\/28\/revisions"}],"predecessor-version":[{"id":767,"href":"https:\/\/www.juicycode.cn\/de\/wp-json\/wp\/v2\/posts\/28\/revisions\/767"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.juicycode.cn\/de\/wp-json\/wp\/v2\/media\/29"}],"wp:attachment":[{"href":"https:\/\/www.juicycode.cn\/de\/wp-json\/wp\/v2\/media?parent=28"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.juicycode.cn\/de\/wp-json\/wp\/v2\/categories?post=28"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.juicycode.cn\/de\/wp-json\/wp\/v2\/tags?post=28"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}