First version of the model

README.md

@@ -6,7 +6,7 @@ tags:
 datasets:
 - dcep europarl jrc-acquis
 widget:
-- text: "vzhledem k tomu, že první část pátého rozšíření, která se uskutečnila v roce 2004, byla prospěšná pro staré i nové členské státy a vzhledem k tomu, že stejně prospěšné bude bezpochyby i stávající rozšíření, kterým se páté rozšíření uzavře,"
+- text: "Odborná příprava je v sektoru minimální a tradiční, postrádá specifické kurzy nebo výukové plány."
 
 ---
 
@@ -38,7 +38,7 @@ tokenizer=AutoTokenizer.from_pretrained(pretrained_model_name_or_path = "SEBIS/l
     device=0
 )
 
-cs_text = "vzhledem k tomu, že první část pátého rozšíření, která se uskutečnila v roce 2004, byla prospěšná pro staré i nové členské státy a vzhledem k tomu, že stejně prospěšné bude bezpochyby i stávající rozšíření, kterým se páté rozšíření uzavře,"
+cs_text = "Odborná příprava je v sektoru minimální a tradiční, postrádá specifické kurzy nebo výukové plány."
 
 pipeline([cs_text], max_length=512)
 ```
@@ -49,12 +49,12 @@ The legal_t5_small_trans_cs_sv model was trained on [JRC-ACQUIS](https://wt-publ
 
 ## Training procedure
 
-An unigram model trained with 88M lines of text from the parallel corpus (of all possible language pairs) to get the vocabulary (with byte pair encoding), which is used with this model.
-
 The model was trained on a single TPU Pod V3-8 for 250K steps in total, using sequence length 512 (batch size 4096). It has a total of approximately 220M parameters and was trained using the encoder-decoder architecture. The optimizer used is AdaFactor with inverse square root learning rate schedule for pre-training.
 
 ### Preprocessing
 
+An unigram model trained with 88M lines of text from the parallel corpus (of all possible language pairs) to get the vocabulary (with byte pair encoding), which is used with this model.
+
 ### Pretraining