Contra Bottleneck T5 Large Wikipedia

🚀 瓶頸T5模型 ⏳

瓶頸T5模型為我許多探索潛在空間中檢查和編輯文本界面的實驗與演示提供了支持。該模型是一個文本自動編碼器，能夠將最多512個標記的文本編碼為嵌入向量，然後從嵌入向量中重構原始文本。該模型生成的嵌入空間結構還允許通過潛在空間中的向量運算對文本進行語義編輯。

🚀 快速開始

模型簡介

使用該模型生成的嵌入向量，我們可以在文本片段之間進行語義插值，並利用句子的潛在屬性（如長度、語氣、結構或主題）對句子進行編輯。

所有瓶頸T5模型都在經過篩選的英文維基百科子集上進行訓練，在編碼和解碼百科全書及其他類似類型的文本時表現最佳。技術含量高、對話式或其他非常規的文本可能超出了模型的分佈範圍，模型在處理此類輸入時可能表現不佳。

瓶頸T5嵌入向量始終被歸一化為長度為1；編碼器生成長度為1的嵌入向量，解碼器的任何輸入也將被歸一化為長度為1。

模型信息

💻 使用示例

基礎用法

該模型目前處於原型階段，基於T5語言模型實現，因此我們需要一個小包裝類來使用它進行文本嵌入和生成：

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)

然後我們可以基於模型類初始化這個自動編碼器類：

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

使用 .embed(text: str) 和 .generate_from_latent(embedding: torch.FloatTensor) 對文本進行嵌入和反嵌入：

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)

上述代碼將輸出以下文本：

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.

更多示例

有關如何使用該模型通過Contra進行插值和語義編輯的更多示例，請參閱 此Google Colab筆記本。

🔧 技術細節

訓練詳情

Contra模型從 適應語言模型的T5 v1.1檢查點 初始化，並在經過長度篩選的英文 維基百科 數據集子集上進行了一個輪次的訓練，作為去噪自動編碼器，隨機屏蔽30%的標記，使用Adafactor優化器。

模型家族和檢查點

我建議首先使用 thesephist/contra-bottleneck-t5-large-wikipedia 進行實驗，它在模型大小和輸出質量之間取得了很好的平衡。不過，我已經訓練了四個參數範圍從3.3億到30億的變體：

• thesephist/contra-bottleneck-t5-small-wikipedia：6000萬參數，512個嵌入維度
• thesephist/contra-bottleneck-t5-base-wikipedia：2.2億參數，768個嵌入維度
• thesephist/contra-bottleneck-t5-large-wikipedia：7.7億參數，1024個嵌入維度
• thesephist/contra-bottleneck-t5-xl-wikipedia：30億參數，2048個嵌入維度

📄 許可證

本模型使用MIT許可證。