README.md

---
language:
- nl
datasets:
- yhavinga/mc4_nl_cleaned
- ml6team/cnn_dailymail_nl
tags:
- summarization
- t5
- seq2seq
license: apache-2.0
pipeline_tag: summarization
widget:
- text: "Het Van Goghmuseum in Amsterdam heeft vier kostbare prenten verworven van\
    \ Mary Cassatt, de Amerikaanse impressionistische kunstenaar en tijdgenoot van\
    \ Vincent van Gogh. Dat heeft het museum woensdagmiddag op een persconferentie\
    \ bekendgemaakt. Het gaat om drie grote kleurenetsen en een zwart-wit litho met\
    \ voorstellingen van vrouwen. Voor deze prenten, die afkomstig zijn van een Amerikaanse\
    \ verzamelaar, betaalde het museum ruim 1,4 miljoen euro. Drie grote fondsen en\
    \ een aantal particulieren hebben samen de aankoopsom beschikbaar gesteld. Mary\
    \ Stevenson Cassatt (1844-1926) woonde en werkte lange tijd in Frankrijk. Ze staat\
    \ met haar impressionistische schilderijen en tekeningen te boek als een van de\
    \ vernieuwers van de Parijse kunstwereld in de late negentiende eeuw. Het Van\
    \ Goghmuseum rekent haar prenten \u201Etot het mooiste wat op grafisch gebied\
    \ in het fin de si\xE8cle is geproduceerd\u201D. De drie aangekochte kleurenetsen\
    \ \u2013 Het doorpassen, De brief en Badende vrouw \u2013 komen uit een serie\
    \ van tien waarmee Cassatt haar naam als (prent)kunstenaar definitief vestigde.\
    \ Ze maakte de etsen na een bezoek in 1890 aan een tentoonstelling van Japanse\
    \ prenten in Parijs. Over die expositie schreef de Amerikaanse aan haar vriendin\
    \ Berthe Morisot, een andere vrouwelijke impressionist: \u201EWe kunnen de Japanse\
    \ prenten in de Beaux-Arts gaan bekijken. Echt, die mag je niet missen. Als je\
    \ kleurenprenten wilt maken, is er niets mooiers voorstelbaar. Ik droom ervan\
    \ en denk nergens anders meer aan dan aan kleur op koper."
- text: "Afgelopen zaterdagochtend werden Hunga Tonga en Hunga Hapai opnieuw twee\
    \ aparte eilanden toen de vulkaan met een hevige explosie uitbarstte. De aanloop\
    \ tot de uitbarsting begon al eind vorig jaar met kleinere explosies. Begin januari\
    \ nam de activiteit af en dachten geologen dat de vulkaan tot rust was gekomen.\
    \ Toch barstte hij afgelopen zaterdag opnieuw uit, veel heviger dan de uitbarstingen\
    \ ervoor. Vl\xE1k voor deze explosie stortte het kilometerslange verbindingsstuk\
    \ in en verdween onder het water. De eruptie duurde acht minuten. De wolk van\
    \ as en giftige gasdeeltjes, zoals zwaveloxide, die daarbij vrijkwam, reikte tot\
    \ dertig kilometer hoogte en was zo\u2019n vijfhonderd kilometer breed. Ter vergelijking:\
    \ de pluimen uit de recente vulkaanuitbarsting op La Palma reikten maximaal zo\u2019\
    n vijf kilometer hoog. De hoofdstad van Tonga, vijfenzestig kilometer verderop\
    \ is bedekt met een dikke laag as. Dat heeft bijvoorbeeld gevolgen voor de veiligheid\
    \ van het drinkwater op Tonga. De uitbarsting van de onderzeese vulkaan in de\
    \ eilandstaat Tonga afgelopen zaterdag was bijzonder heftig. De eruptie veroorzaakte\
    \ een tsunami die reikte van Nieuw-Zeeland tot de Verenigde Staten en in Nederland\
    \ ging de luchtdruk omhoog. Geologen verwachten niet dat de vulkaan op Tonga voor\
    \ een lange wereldwijde afkoeling zorgt, zoals bij andere hevige vulkaanuitbarstingen\
    \ het geval is geweest. De vulkaan ligt onder water tussen de onbewoonde eilandjes\
    \ Hunga Tonga (0,39 vierkante kilometer) en Hunga Ha\u2019apai (0,65 vierkante\
    \ kilometer). Magma dat bij kleinere uitbarsting in 2009 en 2014 omhoog kwam,\
    \ koelde af en vormde een verbindingsstuk tussen de twee eilanden in. Een explosie\
    \ van een onderwatervulkaan als die bij Tonga is heftiger dan bijvoorbeeld die\
    \ uitbarsting op La Palma. \u201EDat komt doordat het vulkanisme hier veroorzaakt\
    \ wordt door subductie: de Pacifische plaat zinkt onder Tonga de aardmantel in\
    \ en neemt water mee omlaag\u201D, zegt hoogleraar paleogeografie Douwe van Hinsbergen\
    \ van de Universiteit Utrecht. \u201EDit water komt met magma als gas, als waterdamp,\
    \ mee omhoog. Dat voert de druk onder de aardkost enorm op. Arwen Deuss, geowetenschapper\
    \ aan de Universiteit Utrecht, vergelijkt het met een fles cola. \u201EWanneer\
    \ je een fles cola schudt, zal het gas er met veel geweld uitkomen. Dat is waarschijnlijk\
    \ wat er gebeurd is op Tonga, maar we weten het niet precies.\u201D"
model-index:
- name: yhavinga/t5-v1.1-large-dutch-cnn-test
  results:
  - task:
      type: summarization
      name: Summarization
    dataset:
      name: ml6team/cnn_dailymail_nl
      type: ml6team/cnn_dailymail_nl
      config: default
      split: test
    metrics:
    - name: ROUGE-1
      type: rouge
      value: 38.3101
      verified: true
    - name: ROUGE-2
      type: rouge
      value: 15.5229
      verified: true
    - name: ROUGE-L
      type: rouge
      value: 25.8229
      verified: true
    - name: ROUGE-LSUM
      type: rouge
      value: 35.3162
      verified: true
    - name: loss
      type: loss
      value: 3.143123149871826
      verified: true
    - name: gen_len
      type: gen_len
      value: 88.806
      verified: true
---

# T5 v1.1 Large finetuned for CNN news summarization in Dutch 🇳🇱

This model is [t5-v1.1-large-dutch-cased](https://huggingface.co/yhavinga/t5-v1.1-large-dutch-cased) finetuned on [CNN Dailymail NL](https://huggingface.co/datasets/ml6team/cnn_dailymail_nl)

For a demo of the Dutch CNN summarization models, head over to the Hugging Face Spaces for
the **[Netherformer 📰](https://huggingface.co/spaces/flax-community/netherformer)** example application!

Rouge scores for this model are listed below.

## Tokenizer

* SentencePiece tokenizer trained from scratch for Dutch on mC4 nl cleaned with scripts from the Huggingface
  Transformers [Flax examples](https://github.com/huggingface/transformers/tree/master/examples/flax/language-modeling).

## Dataset

All models listed below are trained on of the `full` configuration (39B tokens) of
[cleaned Dutch mC4](https://huggingface.co/datasets/yhavinga/mc4_nl_cleaned),
which is the original mC4, except

  * Documents that contained words from a selection of the Dutch and English [List of Dirty Naught Obscene and Otherwise Bad Words](https://github.com/LDNOOBW/List-of-Dirty-Naughty-Obscene-and-Otherwise-Bad-Words) are removed
  * Sentences with less than 3 words are removed
  * Sentences with a word of more than 1000 characters are removed
  * Documents with less than 5 sentences are removed
  * Documents with "javascript", "lorum ipsum", "terms of use", "privacy policy", "cookie policy", "uses cookies",
    "use of cookies", "use cookies", "elementen ontbreken", "deze printversie" are removed.
 
## Models

TL;DR: [yhavinga/t5-v1.1-base-dutch-cased](https://huggingface.co/yhavinga/t5-v1.1-base-dutch-cased) is the best model.

* `yhavinga/t5-base-dutch` is a re-training of the Dutch T5 base v1.0 model trained during the summer 2021
  Flax/Jax community week. Accuracy was improved from 0.64 to 0.70.
* The two T5 v1.1 base models are an uncased and cased version of `t5-v1.1-base`, again pre-trained from scratch on Dutch,
  with a tokenizer also trained from scratch. The t5 v1.1 models are slightly different from the t5 models, and the 
  base models are trained with a dropout of 0.0. For fine-tuning it is intended to set this back to 0.1.
* The large cased model is a pre-trained Dutch version of `t5-v1.1-large`. Training of t5-v1.1-large proved difficult. 
  Without dropout regularization, the training would diverge at a certain point. With dropout training went better,
  be it much slower than training the t5-model. At some point convergance was too slow to warrant further training.
  The latest checkpoint, training scripts and metrics are available for reference. For actual fine-tuning the cased
  base model is probably the better choice.

|                                                                                                   | model   | train seq len | acc      | loss     | batch size | epochs | steps   | dropout | optim     | lr   | duration |
|---------------------------------------------------------------------------------------------------|---------|---------------|----------|----------|------------|--------|---------|---------|-----------|------|----------|
| [yhavinga/t5-base-dutch](https://huggingface.co/yhavinga/t5-base-dutch)                           | T5      | 512           | 0,70     | 1,38     | 128        | 1      | 528481  | 0.1     | adafactor | 5e-3 | 2d 9h    |
| [yhavinga/t5-v1.1-base-dutch-uncased](https://huggingface.co/yhavinga/t5-v1.1-base-dutch-uncased) | t5-v1.1 | 1024          | 0,73     | 1,20     | 64         | 2      | 1014525 | 0.0     | adafactor | 5e-3 | 5d 5h    |
| [yhavinga/t5-v1.1-base-dutch-cased](https://huggingface.co/yhavinga/t5-v1.1-base-dutch-cased)     | t5-v1.1 | 1024          | **0,78** | **0,96** | 64         | 2      | 1210000 | 0.0     | adafactor | 5e-3 | 6d 6h    |
| [yhavinga/t5-v1.1-large-dutch-cased](https://huggingface.co/yhavinga/t5-v1.1-large-dutch-cased)   | t5-v1.1 | 512           | 0,76     | 1,07     | 64         | 1      | 1120000 | 0.1     | adafactor | 5e-3 | 86 13h   |

The cased t5-v1.1 Dutch models were fine-tuned on summarizing the CNN Daily Mail dataset.

|                                                                                                       | model   | input len | target len | Rouge1 | Rouge2 | RougeL | RougeLsum | Test Gen Len | epochs | batch size | steps | duration |
|-------------------------------------------------------------------------------------------------------|---------|-----------|------------|--------|--------|--------|-----------|--------------|--------|------------|-------|----------|
| [yhavinga/t5-v1.1-base-dutch-cnn-test](https://huggingface.co/yhavinga/t5-v1.1-base-dutch-cnn-test)   | t5-v1.1 | 1024      | 96         | 34,8   | 13,6   | 25,2   | 32,1      | 79           | 6      | 64         | 26916 | 2h 40m   |
| [yhavinga/t5-v1.1-large-dutch-cnn-test](https://huggingface.co/yhavinga/t5-v1.1-large-dutch-cnn-test) | t5-v1.1 | 1024      | 96         | 34,4   | 13,6   | 25,3   | 31,7      | 81           | 5      | 16         | 89720 | 11h      |


## Acknowledgements

This project would not have been possible without compute generously provided by Google through the
[TPU Research Cloud](https://sites.research.google/trc/). The HuggingFace 🤗 ecosystem was also
instrumental in many, if not all parts of the training. The following repositories where helpful in setting up the TPU-VM,
and training the models:

* [Gsarti's Pretrain and Fine-tune a T5 model with Flax on GCP](https://github.com/gsarti/t5-flax-gcp)
* [HUggingFace Flax MLM examples](https://github.com/huggingface/transformers/tree/master/examples/flax/language-modeling)
* [Flax/Jax Community week t5-base-dutch](https://huggingface.co/flax-community/t5-base-dutch)

Created by [Yeb Havinga](https://www.linkedin.com/in/yeb-havinga-86530825/)