init

.gitattributes

@@ -14,3 +14,5 @@
 *.pb filter=lfs diff=lfs merge=lfs -text
 *.pt filter=lfs diff=lfs merge=lfs -text
 *.pth filter=lfs diff=lfs merge=lfs -text
+pytorch_model.bin filter=lfs diff=lfs merge=lfs -text
+tf_model.h5 filter=lfs diff=lfs merge=lfs -text

README.md

@@ -0,0 +1,78 @@
+---
+language: 
+- fr
+
+license: mit
+
+datasets:
+- MLSUM
+
+pipeline_tag: "text-classification"
+
+widget:
+- text: La bourse de paris en forte baisse après que des canards ont envahit le parlement.
+
+tags:
+- text-classification
+- flaubert 
+---
+
+# Classification d'articles de presses avec Flaubert :fire:
+
+Ce modèle ce base sur le modèle [`flaubert/flaubert_base_cased`](https://huggingface.co/flaubert/flaubert_base_cased) à et à été fine-tuné en utilisant des articles de presses issus de la base de données MLSUM.  
+Dans leur papier, les équipes de ReciTAl et de la Sorbonne ont proposé comme ouverture de faire de la détection de topic sur les articles de presses.
+
+Les topics ont été exraient à partir des URL et nous avons effectué une étapes de regroupement de topic pour éléminer ceux avec un trop faible volumes et ceux qui paraissaient redondants.
+
+Nous avons finalement utilisé la liste de topic suivant:
+* Culture
+* Economie
+* Education
+* Environement
+* Justice
+* Opinion
+* Politique
+* Societe
+* Sport
+* Technologie
+
+## Entrainement
+
+Nous avons benchmarké différents modèles en les entrainants sur différentes parties de l'articles (titre, résumé, corps et titre+résumé) et avec des échantillons d'apprentissage de tailles différentes.
+
+![Performance](./assets/Accuracy_cat.png)
+
+Les modèles ont été entrainé sur un cloud Azure avec des Tesla V100.
+
+## Résulats
+
+![Matrice de confusion](assets/confusion_cat_m_0.2.png)  
+*Les lignes correspondent aux labels prédient et les colonnes aux véritables topics. Les pourcentages sont calculés sur les colonnes.*  
+
+## Utilisation
+
+```python
+from transformers import AutoTokenizer, AutoModelForSequenceClassification
+from transformers import TextClassificationPipeline
+
+model_name = 'lincoln/flaubert-mlsum-topic-classification'
+
+loaded_tokenizer = AutoTokenizer.from_pretrained(model_name)
+loaded_model = AutoModelForSequenceClassification.from_pretrained(model_name)
+
+nlp = TextClassificationPipeline(model=loaded_model, tokenizer=loaded_tokenizer)
+nlp("Le Bayern Munich prend la grenadine.")
+```
+
+## Citation
+
+```bibtex
+@article{scialom2020mlsum,
+      title={MLSUM: The Multilingual Summarization Corpus}, 
+      author={Thomas Scialom and Paul-Alexis Dray and Sylvain Lamprier and Benjamin Piwowarski and Jacopo Staiano},
+      year={2020},
+      eprint={2004.14900},
+      archivePrefix={arXiv},
+      primaryClass={cs.CL}
+}
+```

config.json

@@ -0,0 +1,103 @@
+{
+  "_name_or_path": ".",
+  "amp": 1,
+  "architectures": [
+    "FlaubertForSequenceClassification"
+  ],
+  "asm": false,
+  "attention_dropout": 0.1,
+  "bos_index": 0,
+  "bos_token_id": 0,
+  "bptt": 512,
+  "causal": false,
+  "clip_grad_norm": 5,
+  "dropout": 0.1,
+  "emb_dim": 768,
+  "embed_init_std": 0.02209708691207961,
+  "encoder_only": true,
+  "end_n_top": 5,
+  "eos_index": 1,
+  "fp16": true,
+  "gelu_activation": true,
+  "group_by_size": true,
+  "id2label": {
+    "0": "Culture",
+    "1": "economie",
+    "2": "education",
+    "3": "environement",
+    "4": "justice",
+    "5": "opinion",
+    "6": "politique",
+    "7": "societe",
+    "8": "sport",
+    "9": "technologie"
+  },
+  "id2lang": {
+    "0": "fr"
+  },
+  "init_std": 0.02,
+  "is_encoder": true,
+  "label2id": {
+    "Culture": 0,
+    "economie": 1,
+    "education": 2,
+    "environement": 3,
+    "justice": 4,
+    "opinion": 5,
+    "politique": 6,
+    "societe": 7,
+    "sport": 8,
+    "technologie": 9
+  },
+  "lang2id": {
+    "fr": 0
+  },
+  "lang_id": 0,
+  "langs": [
+    "fr"
+  ],
+  "layer_norm_eps": 1e-12,
+  "layerdrop": 0.0,
+  "lg_sampling_factor": -1,
+  "lgs": "fr",
+  "mask_index": 5,
+  "mask_token_id": 0,
+  "max_batch_size": 0,
+  "max_position_embeddings": 512,
+  "max_vocab": -1,
+  "mlm_steps": [
+    [
+      "fr",
+      null
+    ]
+  ],
+  "model_type": "flaubert",
+  "n_heads": 12,
+  "n_langs": 1,
+  "n_layers": 12,
+  "pad_index": 2,
+  "pad_token_id": 2,
+  "pre_norm": false,
+  "sample_alpha": 0,
+  "share_inout_emb": true,
+  "sinusoidal_embeddings": false,
+  "start_n_top": 5,
+  "summary_activation": null,
+  "summary_first_dropout": 0.1,
+  "summary_proj_to_labels": true,
+  "summary_type": "first",
+  "summary_use_proj": true,
+  "tokens_per_batch": -1,
+  "transformers_version": "4.2.2",
+  "unk_index": 3,
+  "use_lang_emb": true,
+  "vocab_size": 68729,
+  "word_blank": 0,
+  "word_dropout": 0,
+  "word_keep": 0.1,
+  "word_mask": 0.8,
+  "word_mask_keep_rand": "0.8,0.1,0.1",
+  "word_pred": 0.15,
+  "word_rand": 0.1,
+  "word_shuffle": 0
+}

pytorch_model.bin

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:c87938490bbcd79d2a57d7fa14846abb6159c834dfe1f752f070f0a2e7eff0ab
+size 553042606

special_tokens_map.json

@@ -0,0 +1 @@
+{"bos_token": "<s>", "unk_token": "<unk>", "sep_token": "</s>", "pad_token": "<pad>", "cls_token": "</s>", "mask_token": "<special1>", "additional_special_tokens": ["<special0>", "<special1>", "<special2>", "<special3>", "<special4>", "<special5>", "<special6>", "<special7>", "<special8>", "<special9>"]}

tf_model.h5

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:542ca2881b48d8fdea2dc7f4c105e5a9f770f49d54656f01848aca6bb403b47f
+size 553182776

tokenizer_config.json

@@ -0,0 +1 @@
+{"unk_token": "<unk>", "bos_token": "<s>", "sep_token": "</s>", "pad_token": "<pad>", "cls_token": "</s>", "mask_token": "<special1>", "additional_special_tokens": ["<special0>", "<special1>", "<special2>", "<special3>", "<special4>", "<special5>", "<special6>", "<special7>", "<special8>", "<special9>"], "lang2id": null, "id2lang": null, "do_lowercase_and_remove_accent": true, "model_max_length": 512, "name_or_path": "flaubert/flaubert_base_cased"}