Cpt Base

🚀 中文CPT-Base

本項目是CPT-Base的實現，主要用於中文語言理解和生成任務。它在多箇中文自然語言處理任務中展現出了良好的性能，並且不斷進行更新優化。

🚀 快速開始

若要使用CPT，需將定義CPT架構的文件 modeling_cpt.py（點擊下載）導入到你的項目中。

>>> from modeling_cpt import CPTForConditionalGeneration
>>> from transformers import BertTokenizer
>>> tokenizer = BertTokenizer.from_pretrained("fnlp/cpt-base")
>>> model = CPTForConditionalGeneration.from_pretrained("fnlp/cpt-base")
>>> inputs = tokenizer.encode("北京是[MASK]的首都", return_tensors='pt')
>>> pred_ids = model.generate(input_ids, num_beams=4, max_length=20)
>>> print(tokenizer.convert_ids_to_tokens(pred_ids[i]))
    ['[SEP]', '[CLS]', '北', '京', '是', '中', '國', '的', '首', '都', '[SEP]']

⚠️ 重要提示

請使用 BertTokenizer 處理模型詞彙，請勿使用原始的 BartTokenizer。

✨ 主要特性

模型更新

• 2022年12月30日：發佈了CPT和中文BART的更新版本。在新版本中，對以下部分進行了更改：
  • 詞彙表：用一個從訓練數據構建的更大的詞彙表（大小為51271）替換了舊的BERT詞彙表，具體操作包括：1) 添加缺失的6800多箇中文字符（其中大部分是繁體字）；2) 移除冗餘的標記（例如帶有 ## 前綴的中文字符標記）；3) 添加一些英文標記以減少未登錄詞（OOV）。
  • 位置嵌入：將 max_position_embeddings 從512擴展到1024。

模型初始化與訓練

使用舊版本的檢查點並進行詞彙對齊來初始化新版本的模型。複製舊檢查點中找到的標記嵌入，其他新添加的參數則隨機初始化。進一步以批量大小2048、最大序列長度1024、峰值學習率2e - 5和熱身比率0.1對新的CPT和中文BART進行了50K步的訓練。

性能對比

與之前的檢查點相比，更新後的模型性能如下：

結果表明，更新後的模型與之前的檢查點相比保持了相當的性能。仍有一些情況顯示更新後的模型略遜於之前的模型，原因如下：1) 額外訓練的幾步並未帶來顯著的性能提升；2) 一些下游任務不受新添加標記和更長編碼序列的影響，但對微調超參數敏感。

⚠️ 重要提示

要使用更新後的模型，請更新 modeling_cpt.py（新版本下載 點擊此處）和詞彙表（刷新緩存）。

📚 詳細文檔

模型描述

這是CPT - Base的一個實現。若要使用CPT，需將定義CPT架構的文件 modeling_cpt.py（下載 點擊此處）導入到你的項目中。

相關論文

CPT: A Pre-Trained Unbalanced Transformer for Both Chinese Language Understanding and Generation

作者：Yunfan Shao, Zhichao Geng, Yitao Liu, Junqi Dai, Fei Yang, Li Zhe, Hujun Bao, Xipeng Qiu

代碼倉庫

Github鏈接：https://github.com/fastnlp/CPT

📄 許可證

未提及相關許可證信息。

📝 引用

@article{shao2021cpt,
  title={CPT: A Pre-Trained Unbalanced Transformer for Both Chinese Language Understanding and Generation}, 
  author={Yunfan Shao and Zhichao Geng and Yitao Liu and Junqi Dai and Fei Yang and Li Zhe and Hujun Bao and Xipeng Qiu},
  journal={arXiv preprint arXiv:2109.05729},
  year={2021}
}