Gpt2 Chinese Lyric

🚀 中文GPT2歌詞模型

本模型用於生成中文歌詞，藉助預訓練技術，能夠以給定文本為基礎，生成富有韻律和詩意的歌詞內容，為歌詞創作提供了便捷且高效的途徑。

🚀 快速開始

你可以使用以下代碼，通過文本生成管道直接使用該模型：

>>> 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，是曾與你躲過雨的屋簷", max_length=100, do_sample=True)
    [{'generated_text': '最美的不是下雨天，是曾與你躲過雨的屋簷 ， 下 課 鈴 聲 響 起 的 瞬 間 ， 我 們 的 笑 臉 ， 有 太 多 回 憶 在 浮 現 ， 是 你 總 在 我 身 邊 ， 不 知 道 會 不 會 再 見 ， 從 現 在 開 始 到 永 遠 ， 想 說 的 語 言 凝 結 成 一 句 ， 不 管 我 們 是 否 能 夠 兌 現 ， 想 說 的 語 言 凝 結'}]

✨ 主要特性

• 該模型由 UER-py 進行預訓練，相關內容在 這篇論文 中有所介紹。此外，也可以使用 TencentPretrain 進行預訓練，相關內容見 這篇論文。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。
• 此模型可用於生成中文歌詞。你可以從 UER-py 模型庫頁面、GPT2-Chinese Github 頁面 下載該模型，也可以通過 HuggingFace 從鏈接 gpt2-chinese-lyric 下載。

📦 安裝指南

文檔未提及安裝相關內容，可參考模型對應倉庫獲取安裝步驟。

💻 使用示例

基礎用法

>>> 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，是曾與你躲過雨的屋簷", max_length=100, do_sample=True)
    [{'generated_text': '最美的不是下雨天，是曾與你躲過雨的屋簷 ， 下 課 鈴 聲 響 起 的 瞬 間 ， 我 們 的 笑 臉 ， 有 太 多 回 憶 在 浮 現 ， 是 你 總 在 我 身 邊 ， 不 知 道 會 不 會 再 見 ， 從 現 在 開 始 到 永 遠 ， 想 說 的 語 言 凝 結 成 一 句 ， 不 管 我 們 是 否 能 夠 兌 現 ， 想 說 的 語 言 凝 結'}]

📚 詳細文檔

訓練數據

訓練數據包含 150,000 首中文歌詞，這些歌詞由 Chinese-Lyric-Corpus 和 MusicLyricChatbot 收集而來。

訓練過程

該模型在 騰訊雲 上使用 UER-py 進行預訓練。我們在預訓練模型 gpt2-base-chinese-cluecorpussmall 的基礎上，以 512 的序列長度進行了 100,000 步的預訓練。

數據預處理：

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

模型預訓練：

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，我們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/lyric_gpt2_model.bin-100000 \
                                                        --output_model_path pytorch_model.bin \
                                                        --layers_num 12

BibTeX 引用和引用信息

@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}
}

📄 許可證

文檔未提及許可證相關信息。