Gpt2 Chinese Lyric

🚀 中国語GPT2歌詞モデル

このモデルは中国語の歌詞生成に使用され、事前学習技術を利用して、与えられたテキストを基に、リズムと詩的な歌詞内容を生成し、歌詞創作に便利で効率的な方法を提供します。

🚀 クイックスタート

以下のコードを使用して、テキスト生成パイプラインを介してこのモデルを直接使用できます。

>>> from transformers import BertTokenizer, GPT2LMHeadModel, TextGenerationPipeline
>>> tokenizer = BertTokenizer.from_pretrained("uer/gpt2-chinese-lyric")
>>> model = GPT2LMHeadModel.from_pretrained("uer/gpt2-chinese-lyric")
>>> text_generator = TextGenerationPipeline(model, tokenizer)   
>>> text_generator("最美的不是下雨天，是曾与你躲过雨的屋檐", max_length=100, do_sample=True)
    [{'generated_text': '最美的不是下雨天，是曾与你躲过雨的屋檐 ， 下 课 铃 声 响 起 的 瞬 间 ， 我 们 的 笑 脸 ， 有 太 多 回 忆 在 浮 现 ， 是 你 总 在 我 身 边 ， 不 知 道 会 不 会 再 见 ， 从 现 在 开 始 到 永 远 ， 想 说 的 语 言 凝 结 成 一 句 ， 不 管 我 们 是 否 能 够 兑 现 ， 想 说 的 语 言 凝 结'}]

✨ 主な機能

• このモデルは UER-py で事前学習されており、関連内容は この論文 で紹介されています。また、TencentPretrain を使用して事前学習することもでき、関連内容は この論文 を参照してください。TencentPretrain は UER-py を継承し、10億を超えるパラメータを持つモデルをサポートし、多モーダル事前学習フレームワークに拡張されています。
• このモデルは中国語の歌詞生成に使用できます。UER-py モデルライブラリページ、GPT2-Chinese Github ページ からモデルをダウンロードすることもできますし、HuggingFace から gpt2-chinese-lyric のリンクを通じてダウンロードすることもできます。

💻 使用例

基本的な使用法

>>> from transformers import BertTokenizer, GPT2LMHeadModel, TextGenerationPipeline
>>> tokenizer = BertTokenizer.from_pretrained("uer/gpt2-chinese-lyric")
>>> model = GPT2LMHeadModel.from_pretrained("uer/gpt2-chinese-lyric")
>>> text_generator = TextGenerationPipeline(model, tokenizer)   
>>> text_generator("最美的不是下雨天，是曾与你躲过雨的屋檐", max_length=100, do_sample=True)
    [{'generated_text': '最美的不是下雨天，是曾与你躲过雨的屋檐 ， 下 课 铃 声 响 起 的 瞬 间 ， 我 们 的 笑 脸 ， 有 太 多 回 忆 在 浮 现 ， 是 你 总 在 我 身 边 ， 不 知 道 会 不 会 再 见 ， 从 现 在 开 始 到 永 远 ， 想 说 的 语 言 凝 结 成 一 句 ， 不 管 我 们 是 否 能 够 兑 现 ， 想 说 的 语 言 凝 结'}]

📚 ドキュメント

学習データ

学習データには15万曲の中国語歌詞が含まれており、これらの歌詞は Chinese-Lyric-Corpus と MusicLyricChatbot から収集されています。

学習過程

このモデルは 騰訊クラウド 上で UER-py を使用して事前学習されました。事前学習モデル gpt2-base-chinese-cluecorpussmall をベースに、シーケンス長512で10万ステップの事前学習を行いました。

データ前処理：

python3 preprocess.py --corpus_path corpora/lyric.txt \
                      --vocab_path models/google_zh_vocab.txt \
                      --dataset_path lyric_dataset.pt --processes_num 32 \
                      --seq_length 512 --data_processor lm

モデル事前学習：

python3 pretrain.py --dataset_path lyric_dataset.pt \
                    --pretrained_model_path models/cluecorpussmall_gpt2_seq1024_model.bin-250000 \
                    --vocab_path models/google_zh_vocab.txt \
                    --config_path models/gpt2/config.json \
                    --output_model_path models/lyric_gpt2_model.bin \
                    --world_size 8 --gpu_ranks 0 1 2 3 4 5 6 7 \
                    --total_steps 100000 --save_checkpoint_steps 10000 --report_steps 5000 \
                    --learning_rate 5e-5 --batch_size 64

最後に、事前学習モデルをHuggingface形式に変換します：

python3 scripts/convert_gpt2_from_uer_to_huggingface.py --input_model_path models/lyric_gpt2_model.bin-100000 \
                                                        --output_model_path pytorch_model.bin \
                                                        --layers_num 12

BibTeX引用と引用情報

@article{radford2019language,
  title={Language Models are Unsupervised Multitask Learners},
  author={Radford, Alec and Wu, Jeff and Child, Rewon and Luan, David and Amodei, Dario and Sutskever, Ilya},
  year={2019}
}

@article{zhao2019uer,
  title={UER: An Open-Source Toolkit for Pre-training Models},
  author={Zhao, Zhe and Chen, Hui and Zhang, Jinbin and Zhao, Xin and Liu, Tao and Lu, Wei and Chen, Xi and Deng, Haotang and Ju, Qi and Du, Xiaoyong},
  journal={EMNLP-IJCNLP 2019},
  pages={241},
  year={2019}
}

@article{zhao2023tencentpretrain,
  title={TencentPretrain: A Scalable and Flexible Toolkit for Pre-training Models of Different Modalities},
  author={Zhao, Zhe and Li, Yudong and Hou, Cheng and Zhao, Jing and others},
  journal={ACL 2023},
  pages={217},
  year={2023}
}