Gpt2 Distil Chinese Cluecorpussmall

🚀 中文GPT2模型

本系列GPT2模型可用於生成中文文本，除GPT2 - xlarge模型外，其餘均由UER - py預訓練；GPT2 - xlarge模型則由TencentPretrain預訓練。

🚀 快速開始

你可以直接使用文本生成管道來使用該模型（以GPT2 - distil為例）：

>>> from transformers import BertTokenizer, GPT2LMHeadModel, TextGenerationPipeline
>>> tokenizer = BertTokenizer.from_pretrained("uer/gpt2-distil-chinese-cluecorpussmall")
>>> model = GPT2LMHeadModel.from_pretrained("uer/gpt2-distil-chinese-cluecorpussmall")
>>> text_generator = TextGenerationPipeline(model, tokenizer)   
>>> text_generator("這是很久之前的事情了", max_length=100, do_sample=True)
    [{'generated_text': '這是很久之前的事情了 。 我 現 在 想 起 來 就 讓 自 己 很 傷 心 ， 很 失 望 。 我 現 在 想 到 ， 我 覺 得 大 多 數 人 的 生 活 比 我 的 生 命 還 要 重 要 ， 對 一 些 事 情 的 看 法 ， 對 一 些 人 的 看 法 ， 都 是 在 發 洩 。 但 是 ， 我 們 的 生 活 是 需 要 一 個 信 用 體 系 的 。 我 不 知'}]

✨ 主要特性

• 提供多種不同規模的GPT2模型，包括GPT2 - distil、GPT2、GPT2 - medium、GPT2 - large和GPT2 - xlarge，滿足不同場景需求。
• 模型預訓練使用了CLUECorpusSmall數據集，具有較好的中文文本生成能力。

📦 安裝指南

文檔未提及安裝相關內容，可參考對應項目（UER - py、TencentPretrain）的安裝說明。

💻 使用示例

基礎用法

>>> from transformers import BertTokenizer, GPT2LMHeadModel, TextGenerationPipeline
>>> tokenizer = BertTokenizer.from_pretrained("uer/gpt2-distil-chinese-cluecorpussmall")
>>> model = GPT2LMHeadModel.from_pretrained("uer/gpt2-distil-chinese-cluecorpussmall")
>>> text_generator = TextGenerationPipeline(model, tokenizer)   
>>> text_generator("這是很久之前的事情了", max_length=100, do_sample=True)
    [{'generated_text': '這是很久之前的事情了 。 我 現 在 想 起 來 就 讓 自 己 很 傷 心 ， 很 失 望 。 我 現 在 想 到 ， 我 覺 得 大 多 數 人 的 生 活 比 我 的 生 命 還 要 重 要 ， 對 一 些 事 情 的 看 法 ， 對 一 些 人 的 看 法 ， 都 是 在 發 洩 。 但 是 ， 我 們 的 生 活 是 需 要 一 個 信 用 體 系 的 。 我 不 知'}]

📚 詳細文檔

模型描述

除GPT2 - xlarge模型外，這一系列GPT2模型由UER - py預訓練，相關介紹見此論文；GPT2 - xlarge模型由TencentPretrain預訓練，相關介紹見此論文。TencentPretrain繼承了UER - py，支持參數超過十億的模型，並將其擴展為多模態預訓練框架。此外，其他模型也可以通過TencentPretrain進行預訓練。

你可以從UER - py模型庫頁面下載中文GPT2模型集，也可以通過HuggingFace從以下鏈接下載：

需要注意的是，6層模型被稱為GPT2 - distil模型，因為它遵循distilgpt2的配置，並且預訓練過程不涉及更大模型的監督。

訓練數據

使用CLUECorpusSmall作為訓練數據。

訓練過程

• GPT2 - xlarge模型：使用TencentPretrain進行預訓練。
  • 階段1：

python3 preprocess.py --corpus_path corpora/cluecorpussmall.txt \
                      --vocab_path models/google_zh_vocab.txt \
                      --dataset_path cluecorpussmall_lm_seq128_dataset.pt \
                      --seq_length 128 --processes_num 32 --data_processor lm

deepspeed pretrain.py --deepspeed --deepspeed_config models/deepspeed_config.json \
                      --dataset_path corpora/cluecorpussmall_lm_seq128_dataset.pt \
                      --vocab_path models/google_zh_vocab.txt \
                      --config_path models/gpt2/xlarge_config.json \
                      --output_model_path models/cluecorpussmall_gpt2_xlarge_seq128_model \
                      --world_size 8 --batch_size 64 \
                      --total_steps 1000000 --save_checkpoint_steps 100000 --report_steps 50000 \
                      --deepspeed_checkpoint_activations --deepspeed_checkpoint_layers_num 24

在階段2之前，從zero 2和3的DeepSpeed檢查點中提取fp32合併權重：

python3 models/cluecorpussmall_gpt2_xlarge_seq128_model/zero_to_fp32.py models/cluecorpussmall_gpt2_xlarge_seq128_model/ \
                                                                        models/cluecorpussmall_gpt2_xlarge_seq128_model.bin

- **階段2**：

python3 preprocess.py --corpus_path corpora/cluecorpussmall.txt \
                      --vocab_path models/google_zh_vocab.txt \
                      --dataset_path cluecorpussmall_lm_seq1024_dataset.pt \
                      --seq_length 1024 --processes_num 32 --data_processor lm

deepspeed pretrain.py --deepspeed --deepspeed_config models/deepspeed_config.json \
                      --dataset_path corpora/cluecorpussmall_lm_seq1024_dataset.pt \
                      --vocab_path models/google_zh_vocab.txt \
                      --config_path models/gpt2/xlarge_config.json \
                      --pretrained_model_path models/cluecorpussmall_gpt2_xlarge_seq128_model.bin \
                      --output_model_path models/cluecorpussmall_gpt2_xlarge_seq1024_model \
                      --world_size 8 --batch_size 16 --learning_rate 5e-5 \
                      --total_steps 250000 --save_checkpoint_steps 50000 --report_steps 10000 \
                      --deepspeed_checkpoint_activations --deepspeed_checkpoint_layers_num 6

然後，從zero 2和3的DeepSpeed檢查點中提取fp32合併權重：

python3 models/cluecorpussmall_gpt2_xlarge_seq1024_model/zero_to_fp32.py models/cluecorpussmall_gpt2_xlarge_seq1024_model/ \
                                                                         models/cluecorpussmall_gpt2_xlarge_seq1024_model.bin

最後，將預訓練模型轉換為Huggingface格式：

python3 scripts/convert_gpt2_from_tencentpretrain_to_huggingface.py --input_model_path models/cluecorpussmall_gpt2_xlarge_seq1024_model.bin \
                                                                    --output_model_path pytorch_model.bin \
                                                                    --layers_num 48

• 其他模型：使用UER - py在騰訊雲上進行預訓練。先以128的序列長度預訓練1,000,000步，然後以1024的序列長度額外預訓練250,000步。以GPT2 - distil為例：
  • 階段1：

python3 preprocess.py --corpus_path corpora/cluecorpussmall.txt \
                      --vocab_path models/google_zh_vocab.txt \
                      --dataset_path cluecorpussmall_lm_seq128_dataset.pt \
                      --seq_length 128 --processes_num 32 --data_processor lm 

python3 pretrain.py --dataset_path cluecorpussmall_lm_seq128_dataset.pt \
                    --vocab_path models/google_zh_vocab.txt \
                    --config_path models/gpt2/distil_config.json \
                    --output_model_path models/cluecorpussmall_gpt2_distil_seq128_model.bin \
                    --world_size 8 --gpu_ranks 0 1 2 3 4 5 6 7 \
                    --total_steps 1000000 --save_checkpoint_steps 100000 --report_steps 50000 \
                    --learning_rate 1e-4 --batch_size 64

- **階段2**：

python3 preprocess.py --corpus_path corpora/cluecorpussmall.txt \
                      --vocab_path models/google_zh_vocab.txt \
                      --dataset_path cluecorpussmall_lm_seq1024_dataset.pt \
                      --seq_length 1024 --processes_num 32 --data_processor lm 

python3 pretrain.py --dataset_path cluecorpussmall_lm_seq1024_dataset.pt \
                    --vocab_path models/google_zh_vocab.txt \
                    --pretrained_model_path models/cluecorpussmall_gpt2_distil_seq128_model.bin-1000000 \
                    --config_path models/gpt2/distil_config.json \
                    --output_model_path models/cluecorpussmall_gpt2_distil_seq1024_model.bin \
                    --world_size 8 --gpu_ranks 0 1 2 3 4 5 6 7 \
                    --total_steps 250000 --save_checkpoint_steps 50000 --report_steps 10000 \
                    --learning_rate 5e-5 --batch_size 16

最後，將預訓練模型轉換為Huggingface格式：

python3 scripts/convert_gpt2_from_uer_to_huggingface.py --input_model_path models/cluecorpussmall_gpt2_distil_seq1024_model.bin-250000 \
                                                        --output_model_path pytorch_model.bin \
                                                        --layers_num 6

🔧 技術細節

本系列模型基於GPT2架構，不同規模的模型在層數（L）和隱藏層維度（H）上有所不同。預訓練過程採用了兩階段訓練策略，先使用較短的序列長度進行大規模預訓練，再使用較長的序列長度進行微調，以提高模型在長文本上的性能。

📄 許可證

文檔未提及許可證相關信息。

BibTeX引用

@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}