Update README.md

README.md

@@ -1,3 +1,48 @@
+Hugging Face's logo
+Hugging Face
+Search models, datasets, users...
+Models
+Datasets
+Spaces
+Docs
+Solutions
+Pricing
+
+
+Hugging Face is way more fun with friends and colleagues! 🤗 Join an organization
+
+mcsabai
+/
+huBert-fine-tuned-hungarian-squadv1 Copied
+like
+1
+Question Answering
+PyTorch
+TensorFlow
+Transformers
+hu
+bert
+AutoTrain Compatible
+Model card
+Files and versions
+Community
+Settings
+huBert-fine-tuned-hungarian-squadv1
+/
+README.md
+mcsabai's picture
+mcsabai
+Update README.md
+4d72ef9
+about 2 months ago
+raw
+history
+blame
+edit
+delete
+Safe
+2.03 kB
+---
 language: hu
 thumbnail: 
 tags:
@@ -8,4 +53,32 @@ widget:
   context: "Magyarország fővárosát, Budapestet a Duna folyó szeli ketté. A XIX. században épült Lánchíd a dimbes-dombos budai oldalt köti össze a sík Pesttel. A Várdomb oldalában futó siklóval juthatunk fel a budai Óvárosba, ahol a Budapesti Történeti Múzeum egészen a római időkig visszavezetve mutatja be a városi életet. A Szentháromság tér ad otthont a XIII. századi Mátyás-templomnak és a Halászbástya lőtornyainak, amelyekből messzire ellátva gyönyörködhetünk a városban."
 - text: "Mivel juthatunk fel az Óvárosba?"
   context: "Magyarország fővárosát, Budapestet a Duna folyó szeli ketté. A XIX. században épült Lánchíd a dimbes-dombos budai oldalt köti össze a sík Pesttel. A Várdomb oldalában futó siklóval juthatunk fel a budai Óvárosba, ahol a Budapesti Történeti Múzeum egészen a római időkig visszavezetve mutatja be a városi életet. A Szentháromság tér ad otthont a XIII. századi Mátyás-templomnak és a Halászbástya lőtornyainak, amelyekből messzire ellátva gyönyörködhetünk a városban."
----
+---
+
+## MODEL DESCRIPTION
+
+huBERT base model (cased) fine-tuned on SQuAD v1
+- huBert model + Tokenizer: https://huggingface.co/SZTAKI-HLT/hubert-base-cc
+- Hungarian SQUAD v1 dataset: Machine Translated SQuAD dataset (Google Translate API)
+- This is a demo model. Date of publication: 2022.03.27.
+
+## Model in action
+
+- Fast usage with pipelines:
+
+```python
+from transformers import pipeline
+qa_pipeline = pipeline(
+    "question-answering",
+    model="mcsabai/huBert-fine-tuned-hungarian-squadv1",
+    tokenizer="mcsabai/huBert-fine-tuned-hungarian-squadv1"
+)
+predictions = qa_pipeline({
+    'context': "Anita vagyok és Budapesten élek már több mint 4 éve.",
+    'question': "Hol lakik Anita?"
+})
+print(predictions)
+# output:
+# {'score': 0.9892364144325256, 'start': 16, 'end': 26, 'answer': 'Budapesten'}
+```
+