<\/div>

Zhao Zhibing, Wu Di<\/p>

L'\u00e9quipe de Juicycode<\/p><\/div><\/div>\n\n\n

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

\n
TEXT SCULPTOR \u2122 est un extracteur de r\u00e9sum\u00e9 d\u00e9velopp\u00e9 par Juicycode en utilisant l'architecture Transformers et entra\u00een\u00e9 sur le mod\u00e8le BART.<\/strong><\/em><\/p>\n<\/blockquote>\n\n\n\n
Avec le d\u00e9veloppement rapide de l'intelligence artificielle et de la technologie d'apprentissage profond, des perc\u00e9es significatives ont \u00e9t\u00e9 r\u00e9alis\u00e9es dans le domaine du traitement du langage naturel. Le r\u00e9sum\u00e9 de texte, en tant qu'application importante du traitement du langage naturel, a la capacit\u00e9 de distiller une grande quantit\u00e9 d'informations textuelles en points concis, ce qui permet d'\u00e9conomiser du temps de lecture et d'am\u00e9liorer l'efficacit\u00e9 de l'acquisition d'informations. Dans de nombreux domaines, tels que les rapports d'actualit\u00e9, les documents de recherche scientifique, les rapports d'entreprise et d'autres sc\u00e9narios, la technologie du r\u00e9sum\u00e9 de texte a une valeur d'application et une demande de march\u00e9 tr\u00e8s \u00e9tendues.<\/p>\n\n\n\n
L'objectif de ce projet est de concevoir et de mettre en \u0153uvre une proc\u00e9dure d'extraction de r\u00e9sum\u00e9 de texte bas\u00e9e sur un mod\u00e8le BART pr\u00e9-entra\u00een\u00e9, qui permet d'obtenir une extraction efficace et pr\u00e9cise de r\u00e9sum\u00e9 en anglais en utilisant l'architecture Transformers et en affinant les techniques d'entra\u00eenement. Le projet adopte une interface conviviale \u00e9crite en PyQt5, qui met en \u0153uvre les fonctions de gestion de l'entra\u00eenement, de visualisation de l'historique et de test du mod\u00e8le pour r\u00e9pondre aux besoins des diff\u00e9rents utilisateurs dans le processus d'extraction de r\u00e9sum\u00e9 de texte. En m\u00eame temps, le projet adopte la technologie multithreading pour \u00e9viter le blocage de l'interface et garantir la rapidit\u00e9 de r\u00e9ponse du programme.<\/p>\n\n\n\n
TEXT SCULPTOR \u2122 extrait des mod\u00e8les pr\u00e9-entra\u00een\u00e9s bas\u00e9s sur des r\u00e9sum\u00e9s tels que bart-large-cnn, bart-base, etc. pour un entra\u00eenement affin\u00e9 afin d'optimiser les performances du mod\u00e8le pour des sc\u00e9narios d'utilisation sp\u00e9cifiques. Dans le code source, un GPU (carte graphique d\u00e9di\u00e9e) est utilis\u00e9 pour entra\u00eener le mod\u00e8le. Il est connu que l'apprentissage ne peut \u00eatre achev\u00e9 lorsque la m\u00e9moire d\u00e9di\u00e9e du GPU est inf\u00e9rieure ou \u00e9gale \u00e0 6 Go.<\/p>\n\n\n\n
Version<\/td> Mise \u00e0 jour<\/td><\/tr>
2023.1<\/td> Mettre en \u0153uvre des proc\u00e9dures pour ajouter des interfaces de formation et de test<\/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":"
Avec le d\u00e9veloppement rapide de l'intelligence artificielle et de la technologie d'apprentissage profond, des perc\u00e9es significatives ont \u00e9t\u00e9 r\u00e9alis\u00e9es dans le domaine du traitement du langage naturel. Le r\u00e9sum\u00e9 de texte, en tant qu'application importante du traitement du langage naturel, a la capacit\u00e9 de distiller une grande quantit\u00e9 d'informations textuelles en points concis, ce qui permet d'\u00e9conomiser du temps de lecture et d'am\u00e9liorer l'efficacit\u00e9 de l'acquisition d'informations. Dans de nombreux domaines, tels que les rapports d'actualit\u00e9, les documents de recherche scientifique, les rapports d'entreprise et d'autres sc\u00e9narios, la technologie du r\u00e9sum\u00e9 de texte a une valeur d'application et une demande de march\u00e9 tr\u00e8s \u00e9tendues.<\/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\/fr\/wp-json\/wp\/v2\/posts\/28"}],"collection":[{"href":"https:\/\/www.juicycode.cn\/fr\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.juicycode.cn\/fr\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.juicycode.cn\/fr\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.juicycode.cn\/fr\/wp-json\/wp\/v2\/comments?post=28"}],"version-history":[{"count":2,"href":"https:\/\/www.juicycode.cn\/fr\/wp-json\/wp\/v2\/posts\/28\/revisions"}],"predecessor-version":[{"id":767,"href":"https:\/\/www.juicycode.cn\/fr\/wp-json\/wp\/v2\/posts\/28\/revisions\/767"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.juicycode.cn\/fr\/wp-json\/wp\/v2\/media\/29"}],"wp:attachment":[{"href":"https:\/\/www.juicycode.cn\/fr\/wp-json\/wp\/v2\/media?parent=28"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.juicycode.cn\/fr\/wp-json\/wp\/v2\/categories?post=28"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.juicycode.cn\/fr\/wp-json\/wp\/v2\/tags?post=28"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}