First version of the model

README.md

@@ -6,7 +6,7 @@ tags:
 datasets:
 - dcep europarl jrc-acquis
 widget:
-- text: "A. in der Erwägung, dass ein wesentlicher Anteil der Betriebskosten im Fischereisektor auf Energie entfällt und somit eine europäische Politik für Kraftstoffeffizienz von zentraler Bedeutung für Fischer und Fischereitätigkeiten ist,"
+- text: "Berichterstatter: William Dartmouth"
 
 ---
 
@@ -38,7 +38,7 @@ tokenizer=AutoTokenizer.from_pretrained(pretrained_model_name_or_path = "SEBIS/l
  device=0
 )
 
-de_text = "A. in der Erwägung, dass ein wesentlicher Anteil der Betriebskosten im Fischereisektor auf Energie entfällt und somit eine europäische Politik für Kraftstoffeffizienz von zentraler Bedeutung für Fischer und Fischereitätigkeiten ist,"
+de_text = "Berichterstatter: William Dartmouth"
 
 pipeline([de_text], max_length=512)
 ```
@@ -49,10 +49,14 @@ The legal_t5_small_trans_de_cs model was trained on [JRC-ACQUIS](https://wt-publ
 
 ## Training procedure
 
+An unigram model trained with 88M lines of text from the parallel corpus (of all possible language pairs) to get the vocabulary (with byte pair encoding), which is used with this model.
+
+The model was trained on a single TPU Pod V3-8 for 250K steps in total, using sequence length 512 (batch size 4096). It has a total of approximately 220M parameters and was trained using the encoder-decoder architecture. The optimizer used is AdaFactor with inverse square root learning rate schedule for pre-training.
+
 ### Preprocessing
 
 ### Pretraining
-An unigram model with 88M parameters is trained over the complete parallel corpus to get the vocabulary (with byte pair encoding), which is used with this model.
+
 
 
 ## Evaluation results