SaraikiAI/mbart50-saraiki-news-summarization

Saraiki (skr) News Summarization

This model is trained on ~1300 Saraiki news headings and their news. This model can be used to summarize Saraiki news text (see quick start).

Training Info:

Epoch	Training Loss	Validation Loss	Score	Counts	Totals	Precisions	Bp	Sys Len	Ref Len
1	No log	0.374773	25.001063	[915, 573, 381, 257]	[2114, 1978, 1842, 1706]	[43.28287606433302, 28.96865520728008, 20.684039087947884, 15.064478311840563]	1.000000	2114	2033
2	1.336700	0.339535	28.596999	[1007, 644, 434, 307]	[2106, 1970, 1834, 1698]	[47.81576448243115, 32.69035532994924, 23.66412213740458, 18.080094228504123]	1.000000	2106	2033
3	1.336700	0.335672	29.428384	[957, 632, 434, 312]	[1984, 1848, 1712, 1576]	[48.23588709677419, 34.1991341991342, 25.350467289719628, 19.79695431472081]	0.975605	1984	2033
4	0.223400	0.340421	30.628355	[1018, 676, 463, 334]	[2075, 1939, 1803, 1667]	[49.06024096385542, 34.86333161423414, 25.679423183582916, 20.03599280143971]	1.000000	2075	2033
5	0.134800	0.347603	29.967295	[983, 644, 441, 318]	[2022, 1886, 1750, 1614]	[48.61523244312562, 34.146341463414636, 25.2, 19.702602230483272]	0.994575	2022	2033

Quick Start

from transformers import MBartForConditionalGeneration, MBart50TokenizerFast

tokenizer = MBart50TokenizerFast.from_pretrained("SaraikiAI/mbart50-saraiki-news-summarization")
model = MBartForConditionalGeneration.from_pretrained("SaraikiAI/mbart50-saraiki-news-summarization")

tokenizer.src_lang = "ur_PK"
tokenizer.tgt_lang = "ur_PK"

text = """

اسلام آباد(اے پی پی) صدر مملکت آصف علی زرداری پاکستان اتے چین وچال ،    زراعت، لائیو سٹاک، توانائی، ٹرانسپورٹ اتے مینوفیکچرنگ سودھے مختفل شعبیاں اچ سرمایہ کاری اچ دلچسپی دا اظہار کیتے۔
خمیس کوں ایوان صدر دے پریس ونگ توں جاری بیان موجب اے ڳالھیں انہاں بلاول ہائوس کراچی اچ چین دے کاروباری وفد نال ملاقات اچ ڳالھ مہاڑ کریندیں ہوئیں آکھی۔ ملاقات اچ وزیر اعلیٰ سندھ سید مراد علی شاہ، صوبائی وزرا اتے چین دے قونصل جنرل شریک تھیے۔
صدرمملکت پاکستانی معیشت دے مختلف شعبیاں اچ چینی سرمایہ کاری ودھاوݨ تے زور ݙتا۔ وفد ملکی شعبہ صحت دی ترقی کیتے پاکستان اچ میڈیکل سٹی ٻݨاوݨ کیتے ہک ارب ڈالر دی سرمایہ کاری اچ دلچسپی ݙکھائی اے۔
صدر آصف علی زرداری آکھیا جو پاکستان اتے چین وچال کئی ݙھاکیاں دی دوستی اے، گوادر پورٹ کوں ہک علاقائی تجارت اتے اقتصادی مرکز دے طور ترقی ݙیوݨ میݙا وژن ہئی۔  پاکستان چینی سرمایہ کاراں کوں ہر سہولت ݙیوݨ کیتے پرعزم اے۔
صدر آکھیا جو سندھ اچ چینی زبان دے کورسز متعارف کرائے ڳئن جو پاکستان اتے چین وچال رابطے مضبوط ٻݨاوݨ اچ اہم ثابت تھیسن۔

"""
inputs = tokenizer(text, return_tensors="pt", max_length=512, truncation=True)
out = model.generate(**inputs, max_length=128)
print(tokenizer.decode(out[0], skip_special_tokens=True))