Contra Bottleneck T5 Large Wikipedia

🚀 Bottleneck T5 ⏳

Bottleneck T5モデルは、潜在空間でテキストを検査および編集するためのインターフェースを探索する多くの実験やデモをサポートしています。このモデルはテキスト用のオートエンコーダで、最大512トークンのテキストを埋め込みベクトルにエンコードし、その埋め込みベクトルから元のテキストを再構築することができます。また、このモデルが生成する埋め込み空間の構造により、潜在空間でのベクトル演算を通じてテキストの意味的な編集が可能になります。

🚀 クイックスタート

Bottleneck T5モデルは、潜在空間でのテキストの検査や編集を可能にするオートエンコーダです。以下に使用方法の概要を示します。

まず、モデルを使用するためのラッパークラスを定義します。

import os
import torch
import torch.nn as nn
import torch.nn.functional as F

from tqdm import tqdm
from transformers import AutoTokenizer, AutoModelForCausalLM

class BottleneckT5Autoencoder:
    def __init__(self, model_path: str, device='cpu'):
        self.device = device
        self.tokenizer = AutoTokenizer.from_pretrained(model_path, model_max_length=512)
        self.model = AutoModelForCausalLM.from_pretrained(model_path, trust_remote_code=True).to(self.device)
        self.model.eval()

    @torch.no_grad()
    def embed(self, text: str) -> torch.FloatTensor:
        inputs = self.tokenizer(text, return_tensors='pt').to(self.device)
        decoder_inputs = self.tokenizer('', return_tensors='pt').to(self.device)
        return self.model(
            **inputs,
            decoder_input_ids=decoder_inputs['input_ids'],
            encode_only=True,
        )[0]

    @torch.no_grad()
    def generate_from_latent(self, latent: torch.FloatTensor, max_length=512, temperature=1.0) -> str:
        dummy_text = '.'
        dummy = self.embed(dummy_text)
        perturb_vector = latent - dummy
        self.model.perturb_vector = perturb_vector
        input_ids = self.tokenizer(dummy_text, return_tensors='pt').to(self.device).input_ids
        output = self.model.generate(
            input_ids=input_ids,
            max_length=max_length,
            do_sample=True,
            temperature=temperature,
            top_p=0.9,
            num_return_sequences=1,
        )
        return self.tokenizer.decode(output[0], skip_special_tokens=True)

次に、モデルを初期化します。

device = 'cuda' if torch.cuda.is_available() else 'cpu'
autoencoder = BottleneckT5Autoencoder(model_path='thesephist/contra-bottleneck-t5-large-wikipedia', device=device)

テキストをエンベディングし、再構築することができます。

texts = [
    'The quick brown fox jumps over the lazy dog',
    'Hi there! My name is Linus, and I spend a lot of my time thinking about latent spaces of neural network models.',
    'Notion is a single space where you can think, write, and plan. Capture thoughts, manage projects, or even run an entire company — and do it exactly the way you want.',
]

for t in texts:
    embedding = autoencoder.embed(t)
    reconstruction = autoencoder.generate_from_latent(embedding)
    print(reconstruction)

これにより、以下のようなテキストが出力されます。

The quick brown fox jumps over the lazy dog
I'm named after Linus, and I spend a lot of my time thinking about neural networks of latent space models.
Notion is a single place where you can think, plan, and spend time. Capture ideas, manage projects, and even do your own writing — or plan it exactly the way you want.

モデルを使用して補間や意味的な編集を行う詳細な例については、このGoogle Colabノートブックを参照してください。

✨ 主な機能

• テキストのエンコードとデコード：最大512トークンのテキストを埋め込みベクトルにエンコードし、その埋め込みベクトルから元のテキストを再構築することができます。
• 潜在空間での意味的編集：モデルが生成する埋め込み空間の構造により、潜在空間でのベクトル演算を通じてテキストの意味的な編集が可能になります。

📚 ドキュメント

モデルの詳細

このモデルが生成する埋め込みを使用すると、テキスト間の意味的な補間や、長さ、トーン、構造、トピックなどの潜在属性を使用して文を編集することができます。

すべてのBottleneck T5モデルは、英語のWikipediaのフィルタリングされたサブセットでトレーニングされており、百科事典やその他の類似した種類のテキストのエンコードとデコードに最適な性能を発揮します。高度に技術的な、会話的な、またはその他の非伝統的なテキストは、モデルの分布外となる可能性があり、モデルはそのような入力に対しては性能が低下する場合があります。

Bottleneck T5の埋め込みは常に長さ1に正規化されます。エンコーダは長さ1の埋め込みを生成し、デコーダへの入力はすべて長さ1に正規化されます。

トレーニングの詳細

Contraは、言語モデリング適応型T5 v1.1チェックポイントから初期化され、英語のWikipediaデータセットの長さでフィルタリングされたサブセットで、1エポックだけトレーニングされました。ノイズ除去オートエンコーダとして、30%のトークンがランダムにマスクされ、Adafactorオプティマイザを使用してトレーニングされました。

モデルファミリーとチェックポイント

モデルサイズと出力品質のバランスが良いthesephist/contra-bottleneck-t5-large-wikipediaから始めることをお勧めしますが、3.3億から30億のパラメータを持つ4つのバリアントをトレーニングしています。

• thesephist/contra-bottleneck-t5-small-wikipedia: 6000万パラメータ、512次元の埋め込み
• thesephist/contra-bottleneck-t5-base-wikipedia: 2.2億パラメータ、768次元の埋め込み
• thesephist/contra-bottleneck-t5-large-wikipedia: 7.7億パラメータ、1024次元の埋め込み
• thesephist/contra-bottleneck-t5-xl-wikipedia: 30億パラメータ、2048次元の埋め込み

📄 ライセンス

このモデルはMITライセンスの下で提供されています。