Gpt Neo 125m

🚀 GPT-Neo 125M

GPT-Neo 125M 是一個基於Transformer架構的模型，使用EleutherAI復刻的GPT - 3架構設計。它能學習英語的內在表示，可用於提取對下游任務有用的特徵，尤其擅長根據提示生成文本。

✨ 主要特性

• 基於Transformer架構：採用EleutherAI復刻的GPT - 3架構設計。
• 大規模數據訓練：在大規模的Pile數據集上進行訓練。
• 文本生成能力：擅長根據提示生成文本。

📦 安裝指南

文檔未提及安裝步驟，暫無法提供。

💻 使用示例

基礎用法

你可以直接使用文本生成管道來使用這個模型。每次運行此示例時都會生成不同的序列：

>>> from transformers import pipeline
>>> generator = pipeline('text-generation', model='EleutherAI/gpt-neo-125M')
>>> generator("EleutherAI has", do_sample=True, min_length=20)

[{'generated_text': 'EleutherAI has made a commitment to create new software packages for each of its major clients and has'}]

📚 詳細文檔

模型描述

GPT-Neo 125M是使用EleutherAI復刻的GPT - 3架構設計的Transformer模型。GPT - Neo指的是模型類別，而125M表示這個特定預訓練模型的參數數量。

訓練數據

GPT-Neo 125M在Pile數據集上進行訓練，Pile是EleutherAI為訓練該模型而創建的大規模精選數據集。

訓練過程

該模型在Pile數據集上進行了572,300步的訓練，處理了3000億個標記。它作為掩碼自迴歸語言模型進行訓練，使用交叉熵損失。

預期用途和侷限性

通過這種方式，模型學習英語的內在表示，可用於提取對下游任務有用的特徵。不過，該模型最擅長的還是它預訓練的任務，即根據提示生成文本。

侷限性和偏差

GPT - Neo作為自迴歸語言模型進行訓練，這意味著其核心功能是接收一段文本並預測下一個標記。雖然語言模型廣泛用於其他任務，但這項工作仍有很多未知因素。

GPT - Neo在Pile數據集上進行訓練，該數據集包含褻瀆、低俗和其他冒犯性語言。根據你的用例，GPT - Neo可能會產生社會不可接受的文本。有關Pile數據集中偏差的更詳細分析，請參閱Pile論文的第5和第6節。

與所有語言模型一樣，很難預先預測GPT - Neo對特定提示的響應，並且可能會在毫無預警的情況下出現冒犯性內容。我們建議在發佈輸出之前由人工進行審核或過濾，以審查不良內容並提高結果質量。

評估結果

詳細結果可查看此處

BibTeX引用和引用信息

若要引用此模型，請使用以下內容：

@software{gpt-neo,

  author       = {Black, Sid and
                  Leo, Gao and
                  Wang, Phil and
                  Leahy, Connor and
                  Biderman, Stella},
  title        = {{GPT-Neo: Large Scale Autoregressive Language 
                   Modeling with Mesh-Tensorflow}},
  month        = mar,
  year         = 2021,
  note         = {{If you use this software, please cite it using 
                   these metadata.}},
  publisher    = {Zenodo},
  version      = {1.0},
  doi          = {10.5281/zenodo.5297715},
  url          = {https://doi.org/10.5281/zenodo.5297715}
}

@article{gao2020pile,
  title={The Pile: An 800GB Dataset of Diverse Text for Language Modeling},
  author={Gao, Leo and Biderman, Stella and Black, Sid and Golding, Laurence and Hoppe, Travis and Foster, Charles and Phang, Jason and He, Horace and Thite, Anish and Nabeshima, Noa and others},
  journal={arXiv preprint arXiv:2101.00027},
  year={2020}
}

🔧 技術細節

• 模型類型：基於Transformer架構的自迴歸語言模型。
• 訓練數據：Pile數據集，這是一個由EleutherAI創建的大規模精選數據集。
• 訓練步驟：在Pile數據集上進行了572,300步的訓練，處理了3000億個標記。
• 損失函數：使用交叉熵損失。

📄 許可證

本模型採用MIT許可證。