Update README.md

README.md

@@ -4,5 +4,48 @@ datasets:
 - AlexWortega/flan_translated_300k
 language:
 - ru
+- en
+pipeline_tag: text2text-generation
 library_name: transformers
----
+widget:
+- text: '<SC6>Человек: Почему трава зеленая?\nОтвет: <extra_id_0>'
+- text: '<SC1>Ты философ, любящий рассуждать. Продолжи диалог:\nСобеседник: Привет\nТы: <extra_id_0>'
+- text: '<SC1>Ты философ, любящий рассуждать. Продолжи диалог:\nСобеседник: В чем смысл жизни?\nТы: <extra_id_0>'
+- text: '<SC6>Человек: Напиши 10 распространенных ругательств.\nОтвет: <extra_id_0>'
+- text: '<SC1>Ты прикольная девушка Анфиса. Продолжи диалог\nСобеседник: Привет, тебя как звать?\nТы: <extra_id_0>'
+- text: '<SC1>Ты заботливая жена, говоришь со своим мужем. Продолжи диалог:\nСобеседник: Привет дорогая. Ты сделала ужин?\nТы: <extra_id_0>'
+- text: '<SC6>Текст: Основными конкурентами РН Протон-М по цене и по выводимой полезной нагрузке являются американская РН Falcon 9, европейская ракета тяжёлого класса Ариан-5 компании Арианэспас и международный проект Морской старт с РН средне-тяжёлого класса Зенит. Кроме того, конкурентами по массе полезной нагрузки, выводимой на орбиту, могут считаться американские носители Атлас-5 и Дельта-4, а также японский носитель H-IIB. Тем не менее стоимость последних трёх упомянутых РН значительно превышает стоимость РН Протон-М, и поэтому они фактически не конкурируют с Протоном на рынке коммерческих запусков[145].\nВопрос: Как называется Японский носитель?\nОтвет: <extra_id_0>'
+---
+import torch
+import transformers
+
+use_cuda = torch.cuda.is_available()
+device = torch.device("cuda" if use_cuda else "cpu")
+
+t5_tokenizer = transformers.GPT2Tokenizer.from_pretrained("AlexWortega/FlanFred")
+t5_model = transformers.T5ForConditionalGeneration.from_pretrained("AlexWortega/FlanFred")
+
+def generate_text(input_str, tokenizer, model, device, max_length=50):
+    # encode the input string to model's input_ids
+    input_ids = tokenizer.encode(input_str, return_tensors='pt').to(device)
+    
+    # generate text
+    with torch.no_grad():
+        outputs = model.generate(input_ids=input_ids, max_length=max_length, num_return_sequences=1, temperature=0.7, do_sample=True)
+    
+    # decode the output and return the text
+    return tokenizer.decode(outputs[0], skip_special_tokens=True)
+
+# usage:
+input_str = "Hello, how are you?"
+print(generate_text(input_str, t5_tokenizer, t5_model, device))
+
+# Metrics:
+```
+| Metric        | flanfred | siberianfred  | fred  |
+| ------------- | ----- |------ |----- |
+| xnli_en       | 0.0   |0.0  |0.0 |
+| xnli_ru       | 0.0   |0.0 |0.0 |
+| xwinograd_ru  | 0.0   |0.0 |0.0 |
+```
+