Gpt2 Chinese Ancient

🚀 中国古代GPT2モデル

このモデルは、中国古代語の生成に使用されます。事前学習には、UER-py または TencentPretrain を利用できます。モデルは、UER-pyのモデルズームページ、GPT2-ChineseのGitHubページ、またはHuggingFaceの gpt2-chinese-ancient からダウンロードできます。

🚀 クイックスタート

モデルの概要

このモデルは、UER-py を用いて事前学習されており、この論文 で紹介されています。また、TencentPretrain を使って事前学習することも可能で、これは この論文 で紹介され、UER-pyを継承して10億を超えるパラメータを持つモデルをサポートし、マルチモーダル事前学習フレームワークに拡張されています。

モデルのダウンロード先

• UER-py Modelzoo page
• GPT2-Chinese Github page
• gpt2-chinese-ancient

✨ 主な機能

このモデルは、中国古代語の生成に特化しており、特定の入力に基づいて古代語の文章を生成することができます。

📦 インストール

このモデルを使用するには、必要なライブラリをインストールする必要があります。以下のコードを参考にしてください。

>>> from transformers import BertTokenizer, GPT2LMHeadModel, TextGenerationPipeline
>>> tokenizer = BertTokenizer.from_pretrained("uer/gpt2-chinese-ancient")
>>> model = GPT2LMHeadModel.from_pretrained("uer/gpt2-chinese-ancient")
>>> text_generator = TextGenerationPipeline(model, tokenizer)   

💻 使用例

基本的な使用法

>>> from transformers import BertTokenizer, GPT2LMHeadModel, TextGenerationPipeline
>>> tokenizer = BertTokenizer.from_pretrained("uer/gpt2-chinese-ancient")
>>> model = GPT2LMHeadModel.from_pretrained("uer/gpt2-chinese-ancient")
>>> text_generator = TextGenerationPipeline(model, tokenizer)   
>>> text_generator("当是时", max_length=100, do_sample=True)
    [{'generated_text': '[CLS]当是时 所 议 者 不 为 无 据 ， 况 亦 在 之 列 乎 ？ 然 则 今 日 之 事 ， 所 当 思 者 在 何 ？ 欲 求 国 是 于 天 下 ， 莫 在 于 得 人 。 臣 以 为 求 人 之 法 ， 不 在 多 用 官 一 途 。 诚 使 得 才 者 众 ， 人 才 者 优 ， 则 治 所 当 得 ， 而 不 事 于 官 者 ， 人 才 乃 其 常 也 。 所 当 讲 者'}]

📚 ドキュメント

学習データ

学習データは、daizhigev20 によって収集された300万の中国古代語を含んでいます。古代コーパスの一部には句読点がないため、BNU ICIP lab によって開発された 中国古代語句読点システム を使用しています。

学習手順

このモデルは、Tencent Cloud 上で UER-py を用いて事前学習されています。シーケンス長320で500,000ステップの事前学習を行い、拡張語彙を使用して語彙外の単語を処理しています。古代語コーパスで100回以上出現する漢字が語彙に追加されています。

python3 preprocess.py --corpus_path corpora/ancient_chinese.txt \
                      --vocab_path models/google_zh_ancient_vocab.txt \
                      --dataset_path ancient_chinese_dataset.pt --processes_num 16 \
                      --seq_length 320 --data_processor lm

python3 pretrain.py --dataset_path ancient_chinese_dataset.pt \
                    --vocab_path models/google_zh_ancient_vocab.txt \
                    --config_path models/bert_base_config.json \
                    --output_model_path models/ancient_chinese_gpt2_model.bin \
                    --world_size 8 --gpu_ranks 0 1 2 3 4 5 6 7 \
                    --total_steps 500000 --save_checkpoint_steps 100000 --report_steps 10000 \
                    --learning_rate 5e-4 --batch_size 32

最後に、事前学習されたモデルをHuggingfaceの形式に変換します。

python3 scripts/convert_gpt2_from_uer_to_huggingface.py --input_model_path models/ancient_chinese_gpt2_model.bin-500000 \
                                                        --output_model_path pytorch_model.bin \
                                                        --layers_num 12

BibTeXエントリと引用情報

@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}
}

📄 ライセンス

原文書にライセンス情報が記載されていないため、このセクションは省略されています。