First version of the model

README.md

@@ -6,7 +6,7 @@ tags:
 datasets:
 - dcep europarl jrc-acquis
 widget:
-- text: "che sempre il succitato direttore generale abbia inviato un messaggio e-mail a tutti i controllori finanziari della sua DG affinché non acconsentissero a erogare finanziamenti alle autorità palestinesi senza il suo previo consenso; —"
+- text: "ritiene che, rispetto alla legislazione, il concetto di responsabilità sociale delle imprese abbia un valore limitato nel contesto della conservazione dell'ambiente marittimo e che pertanto una base legislativa adeguata debba continuare a sostenere il programma comunitario di conservazione ambientale, che dovrà essere rafforzato mediante azioni volontarie intraprese da società che desiderino dimostrare il loro comportamento responsabile;"
 
 ---
 
@@ -38,7 +38,7 @@ tokenizer=AutoTokenizer.from_pretrained(pretrained_model_name_or_path = "SEBIS/l
     device=0
 )
 
-it_text = "che sempre il succitato direttore generale abbia inviato un messaggio e-mail a tutti i controllori finanziari della sua DG affinché non acconsentissero a erogare finanziamenti alle autorità palestinesi senza il suo previo consenso; —"
+it_text = "ritiene che, rispetto alla legislazione, il concetto di responsabilità sociale delle imprese abbia un valore limitato nel contesto della conservazione dell'ambiente marittimo e che pertanto una base legislativa adeguata debba continuare a sostenere il programma comunitario di conservazione ambientale, che dovrà essere rafforzato mediante azioni volontarie intraprese da società che desiderino dimostrare il loro comportamento responsabile;"
 
 pipeline([it_text], max_length=512)
 ```
@@ -49,10 +49,14 @@ The legal_t5_small_trans_it_es 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
 
 ### Pretraining
-An unigram model with 88M parameters is trained over the complete parallel corpus to get the vocabulary (with byte pair encoding), which is used with this model.
+
 
 
 ## Evaluation results
@@ -63,7 +67,7 @@ Test results :
 
 | Model | BLEU score |
 |:-----:|:-----:|
-|   legal_t5_small_trans_it_es | 48.998|
+|   legal_t5_small_trans_it_es | 49.0|
 
 
 ### BibTeX entry and citation info