Kogpt J 350m

🚀 Kogpt-J-350m Model

Kogpt-J-350m is a text generation model based on the GPT - J architecture, trained on various Korean datasets to generate high - quality Korean text.

🚀 Quick Start

You can use the following code to quickly start using the model:

from transformers import pipeline

model_name = "heegyu/kogpt-j-350m"
pipe = pipeline('text-generation', model=model_name)

print(pipe("안녕하세요", repetition_penalty=1.2, do_sample=True, eos_token_id=1, early_stopping=True, max_new_tokens=128))
print(pipe("오늘 정부 발표에 따르면, ", repetition_penalty=1.2, do_sample=True, eos_token_id=1, early_stopping=True, max_new_tokens=128))
print(pipe("싸늘하다. 가슴에 비수가 날아와 꽂힌다. ", repetition_penalty=1.2, do_sample=True, eos_token_id=1, early_stopping=True, max_new_tokens=128, min_length=64))

✨ Features

Model Configuration

• GPT - J (Flax, Pytorch)
• 20 Layers, 1024 hidden dim, 4096 intermediate, 16 heads, 51200 vocab size
• 1024 max_seq_len
• Number of parameters: 350M

Performance Benchmark

🔧 Technical Details

Training Environment and Hyperparameters

• TPU V2 - 8
• Learning Rate: 3e - 4, Batch Size: 512(=64 accum x 8 devices), Scheduler: Linear, WarmUp: 1000 step
• adam_beta1 = 0.9, adam_beta2 = 0.98, weight_decay = 0.01
• Training Steps: 43247 (3 epoch)
• Number of training tokens: 21.11B (43247 * 512 * 1024seq / 1024^3)
• Training period: 2023/1/25 ~ 2023/1/29

Training Datasets

• AIHub SNS Conversations (730MB)
• AIHub Spoken Language (422MB)
• AIHub Books (1.6MB)
• AIHub Large - scale Web - based Korean Corpus (12GB)
• Korean Wikipedia (867MB)
• NamuWiki (6.4GB)
• National Institute of Korean Language Messenger Conversations (21MB)
• National Institute of Korean Language Daily Conversation Corpus (23MB)
• National Institute of Korean Language Written Language Corpus (3.2GB)
• National Institute of Korean Language Spoken Language Corpus (1.1GB)
• National Institute of Korean Language Newspaper Corpus (~2022, 17GB)
• Blue House Citizen Petitions (525MB)

The dataset size is based on the pre - processed jsonl files. The total number of tokens is approximately 7B.

💻 Usage Examples

Basic Usage

from transformers import pipeline

model_name = "heegyu/kogpt-j-350m"
pipe = pipeline('text-generation', model=model_name)

print(pipe("안녕하세요", repetition_penalty=1.2, do_sample=True, eos_token_id=1, early_stopping=True, max_new_tokens=128))
print(pipe("오늘 정부 발표에 따르면, ", repetition_penalty=1.2, do_sample=True, eos_token_id=1, early_stopping=True, max_new_tokens=128))
print(pipe("싸늘하다. 가슴에 비수가 날아와 꽂힌다. ", repetition_penalty=1.2, do_sample=True, eos_token_id=1, early_stopping=True, max_new_tokens=128, min_length=64))

Results:

[{'generated_text': '안녕하세요?\n네.\n자~ 오늘 그~ 뭐~ 남북정상회담에서 인제 남북 관계와 관련된 발언이죠?\n예. 그렇습니다.\n어~ 그~ 이산가족 문제 관련해서 이산가족 상봉을\n예.\n하는 방안이 좀 가능성이 있지 않아요?\n상당히 가능성이 있죠.\n예. 이~ 구체적으로 어떤 거였나요?\n어~ 먼저 이산가족 상봉을 이제 말씀드리겠습니다.\n예.\n아까 설명드린 것처럼 그~ 이산가족 상\n네.\n그~ 상봉에 대한 그~ 구체적인 방안이 어떻게 결정되는 게 가장 좋을까요?\n우선 상봉 방법부터 얘기를 드리죠.\n'}]
[{'generated_text': '오늘 정부 발표에 따르면, gtx-d d 노선을 창릉과 수서에서 출발하는 등 당초 예정된 노선들을 모두 정차하기로 했다. 지난 2월 국토교통부가 이 노선을 일산·금정·파주 운정역과 직접 연결키로 하면서 일산~동탄, 일산~분당, 일산~양재 구간에 추가 정차할 것이라는 예상이 나왔지만 실제 일산~수서 구간이 정차하기로 확정됐다. gtx-d 노선이 일산~수서역까지 개통되는 것은 이번이 처음이다.. gtx-d 노선과 gtx-a 노선이 모두 개통되면 지하철 5호선의 서울 도심 통과 구간이 추가된다. 현재 gtx-b'}]
[{'generated_text': '싸늘하다. 가슴에 비수가 날아와 꽂힌다. \U000f0854삼국사절요\U000f0855 ‘화살촉이 울버린’의 경우에서 보면, 총소리의 원음은 鐘(종자용 : 송악), 鐘을 비(鐘)라 하고 종자의 발음은 ‘이( )’이다. 이때에서 ‘이(은)로 시작하는 발음’은 ‘이/이’의 음운적 표현이다. ‘이/은→종자용[鐘] → 송악/종자[鐘]→이→종자(鐘) …’이다. 이는 한자어로서 그 발음'}]

📄 License

This project is licensed under the MIT license.

⚠️ Important Note

The training data of this model may contain various forms of discriminatory/hateful data, and no separate removal work has been carried out. Therefore, the sentences generated by the model may contain discriminatory/hateful remarks against specific individuals, races, genders, or disabilities.