Update README.md

README.md

@@ -6,53 +6,7 @@ base_model:
 
 本模型为数据集[BAAI/IndustryCorpus2](https://huggingface.co/datasets/BAAI/IndustryCorpus2)的质量评估模型，对预训练语料进行质量评估。
 
-- how to use
-
-```python
-
-from transformers import (
-    AutoConfig,
-    AutoModelForSequenceClassification,
-    AutoTokenizer)
-
-model_dir = "BAAI/IndustryCorpus2_DataRater"
-
-model = AutoModelForSequenceClassification.from_pretrained(
-      model_dir,
-      trust_remote_code=False,
-      ignore_mismatched_sizes=False,
-)
-tokenizer = AutoTokenizer.from_pretrained(
-    model_dir,
-    use_fast=True,
-    token=None,
-    trust_remote_code=False,
-)
-
-config = AutoConfig.from_pretrained(
-    model_dir,
-    finetuning_task="text-classification",
-)
-
-sentence = "黄龙国际中心位于杭州市西湖区学院路77号，地处杭州黄龙商务区核心位置。项目以“新经济、新生态、新黄龙”的理念和“知识城市创新区”的项目定位，引领着杭州城市的产业升级和创新。\n黄龙国际中心主打“知识盒子”建筑设计，拥有时尚、新潮的建筑立面，聚集不同功能的独立建筑物，打造出包容开放又具有链接性的空间。项目在2018年4月一举斩获开发项目行业最高奖——广厦奖。\n项目整体分四期开发。一期G、H、I三幢楼宇由坤和自主开发建成，于2015年4月投入使用，于2015年5月获得了美国绿色建筑委员会颁发的LEED金级认证，并成功吸引蚂蚁金服、美图、有赞等国内互联网创新巨头率先入驻。\n2016年初，坤和引进万科作为该项目股权合作方通过双方优质资源共享，在产品品质、创新等方面得到全方位提升。\n二期A、B幢由美国KPF设计，并于2018年4月一举获得房地产开发项目行业最高奖——广厦奖。A、B幢写字楼于2018年10月投入使用，B幢与全球领先的创造者社区及空间和服务提供商——WeWork正式签约。商业K-lab于2018年12月28日正式开业。\n项目三期E、F幢已于2020年投入使用。四期C、D幢，计划于2021年底投入使用。\n项目总占地面积约8.7万方，总建筑面积约40万平方米，涵盖9栋国际5A写字楼及8万方K-lab商业新物种，以知识为纽带，打造成一个集商务、商业、教育、文化、娱乐、艺术、餐饮、会展等于一体的完整城市性生态体系。项目全部投入使用后，年租金收入将超6亿元。\n"
-
-result = tokenizer(
-    [sentecnce],
-    padding=False,
-    max_length=max_length,
-    truncation=True,
-    return_tensors="pt",
-).to("cuda")
-for key in result:
-    result[key] = torch.tensor(result[key])
-
-model_out = model(**result)
-predit_score = model_out.logits.tolist()[0][0]
-predit_score_round = round(predit_score)
-# score=4.674278736114502
-```
-
-- 为什么要筛选低质量的数据
+## 为什么要筛选低质量的数据
 
   下面是从数据中抽取的低质量数据，可以看到这种数据对模型的学习是有害无益的
 
@@ -63,7 +17,7 @@ predit_score_round = round(predit_score)
   
   ```
 
-- 数据构建
+## 数据构建
 
   数据来源：随机采样预训练语料
 
@@ -94,7 +48,7 @@ predit_score_round = round(predit_score)
   """
   ```
 
-- 模型训练
+## 模型训练
 
   模型选型：与分类模型类似，我们同样使用的是0.5b规模的模型，并对比试验了beg-m3和qwen-0.5b，最终实验显示bge-m3综合表现最优
 
@@ -116,4 +70,51 @@ predit_score_round = round(predit_score)
 
 ![cpt_two_stage](./img/cpt_two_stage.png)
 
-最后，高质量的预训练语料中包含着丰富的高价值知识性内容，可以从中提取出指令数据进一步提升指令数据的丰富度和知识性，这也催发了[Industry-Instruction](https://huggingface.co/datasets/BAAI/Industry-Instruction)项目的诞生，我们会在那里进行详细的说明。
+最后，高质量的预训练语料中包含着丰富的高价值知识性内容，可以从中提取出指令数据进一步提升指令数据的丰富度和知识性，这也催发了[Industry-Instruction](https://huggingface.co/datasets/BAAI/Industry-Instruction)项目的诞生，我们会在那里进行详细的说明。
+
+
+## how to use
+
+```python
+
+from transformers import (
+    AutoConfig,
+    AutoModelForSequenceClassification,
+    AutoTokenizer)
+
+model_dir = "BAAI/IndustryCorpus2_DataRater"
+
+model = AutoModelForSequenceClassification.from_pretrained(
+      model_dir,
+      trust_remote_code=False,
+      ignore_mismatched_sizes=False,
+)
+tokenizer = AutoTokenizer.from_pretrained(
+    model_dir,
+    use_fast=True,
+    token=None,
+    trust_remote_code=False,
+)
+
+config = AutoConfig.from_pretrained(
+    model_dir,
+    finetuning_task="text-classification",
+)
+
+sentence = "黄龙国际中心位于杭州市西湖区学院路77号，地处杭州黄龙商务区核心位置。项目以“新经济、新生态、新黄龙”的理念和“知识城市创新区”的项目定位，引领着杭州城市的产业���级和创新。\n黄龙国际中心主打“知识盒子”建筑设计，拥有时尚、新潮的建筑立面，聚集不同功能的独立建筑物，打造出包容开放又具有链接性的空间。项目在2018年4月一举斩获开发项目行业最高奖——广厦奖。\n项目整体分四期开发。一期G、H、I三幢楼宇由坤和自主开发建成，于2015年4月投入使用，于2015年5月获得了美国绿色建筑委员会颁发的LEED金级认证，并成功吸引蚂蚁金服、美图、有赞等国内互联网创新巨头率先入驻。\n2016年初，坤和引进万科作为该项目股权合作方通过双方优质资源共享，在产品品质、创新等方面得到全方位提升。\n二期A、B幢由美国KPF设计，并于2018年4月一举获得房地产开发项目行业最高奖——广厦奖。A、B幢写字楼于2018年10月投入使用，B幢与全球领先的创造者社区及空间和服务提供商——WeWork正式签约。商业K-lab于2018年12月28日正式开业。\n项目三期E、F幢已于2020年投入使用。四期C、D幢，计划于2021年底投入使用。\n项目总占地面积约8.7万方，总建筑面积约40万平方米，涵盖9栋国际5A写字楼及8万方K-lab商业新物种，以知识为纽带，打造成一个集商务、商业、教育、文化、娱乐、艺术、餐饮、会展等于一体的完整城市性生态体系。项目全部投入使用后，年租金收入将超6亿元。\n"
+
+result = tokenizer(
+    [sentecnce],
+    padding=False,
+    max_length=max_length,
+    truncation=True,
+    return_tensors="pt",
+).to("cuda")
+for key in result:
+    result[key] = torch.tensor(result[key])
+
+model_out = model(**result)
+predit_score = model_out.logits.tolist()[0][0]
+predit_score_round = round(predit_score)
+# score=4.674278736114502
+```