T5 Small Chinese Cluecorpussmall

🚀 中文T5

中文T5是一系列预训练模型，它基于统一的文本到文本格式，在多种中文自然语言处理任务中表现出色，为中文文本处理提供了强大的支持。

🚀 快速开始

本模型可通过文本到文本生成管道直接使用（以T5-Small为例）：

>>> from transformers import BertTokenizer, T5ForConditionalGeneration, Text2TextGenerationPipeline
>>> tokenizer = BertTokenizer.from_pretrained("uer/t5-small-chinese-cluecorpussmall")
>>> model = T5ForConditionalGeneration.from_pretrained("uer/t5-small-chinese-cluecorpussmall")
>>> text2text_generator = Text2TextGenerationPipeline(model, tokenizer)  
>>> text2text_generator("中国的首都是extra0京", max_length=50, do_sample=False)
    [{'generated_text': 'extra0 北 extra1 extra2 extra3 extra4 extra5'}]

✨ 主要特性

• 统一文本到文本格式：采用统一的文本到文本格式，在多种英文自然语言处理任务中取得了最先进的成果，我们在此基础上发布了一系列中文T5模型。
• 独特的掩码机制：在T5中，输入序列的跨度由所谓的哨兵标记（sentinel token）进行掩码。每个哨兵标记代表输入序列的一个唯一掩码标记，应从<extra_id_0>、<extra_id_1> 开始，最多到 <extra_id_99>。不过，在Huggingface的托管推理API中，<extra_id_xxx> 会被拆分为多个部分。因此，我们在词汇表中用 extraxxx 替换 <extra_id_xxx>，并且BertTokenizer将 extraxxx 视为一个哨兵标记。

📦 安装指南

你可以从 UER-py模型库页面 下载中文T5模型集，也可以通过HuggingFace从以下链接下载：

📚 详细文档

模型描述

这是由 UER-py 预训练的一系列中文T5模型，相关内容在 这篇论文 中有所介绍。此外，这些模型也可以通过 TencentPretrain 进行预训练，该工具在 这篇论文 中被提及，它继承了UER-py以支持参数超过十亿的模型，并将其扩展为一个多模态预训练框架。

训练数据

使用 CLUECorpusSmall 作为训练数据。

训练过程

该模型由 UER-py 在 腾讯云 上进行预训练。我们先以序列长度128进行1,000,000步的预训练，然后再以序列长度512进行250,000步的额外预训练。在不同模型大小上使用相同的超参数。

以T5-Small为例：

阶段1

python3 preprocess.py --corpus_path corpora/cluecorpussmall.txt \
                      --vocab_path models/google_zh_with_sentinel_vocab.txt \
                      --dataset_path cluecorpussmall_t5_seq128_dataset.pt \
                      --processes_num 32 --seq_length 128 \
                      --dynamic_masking --data_processor t5 

python3 pretrain.py --dataset_path cluecorpussmall_t5_seq128_dataset.pt \
                    --vocab_path models/google_zh_with_sentinel_vocab.txt \
                    --config_path models/t5/small_config.json \
                    --output_model_path models/cluecorpussmall_t5_small_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-3 --batch_size 64 \
                    --span_masking --span_geo_prob 0.3 --span_max_length 5

阶段2

python3 preprocess.py --corpus_path corpora/cluecorpussmall.txt \
                      --vocab_path models/google_zh_with_sentinel_vocab.txt \
                      --dataset_path cluecorpussmall_t5_small_seq512_dataset.pt \
                      --processes_num 32 --seq_length 512 \
                      --dynamic_masking --data_processor t5

python3 pretrain.py --dataset_path cluecorpussmall_t5_seq512_dataset.pt \
                    --vocab_path models/google_zh_with_sentinel_vocab.txt \
                    --pretrained_model_path models/cluecorpussmall_t5_small_seq128_model.bin-1000000 \
                    --config_path models/t5/small_config.json \
                    --output_model_path models/cluecorpussmall_t5_small_seq512_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-4 --batch_size 16 \
                    --span_masking --span_geo_prob 0.3 --span_max_length 5

最后，我们将预训练模型转换为Huggingface格式：

python3 scripts/convert_t5_from_uer_to_huggingface.py --input_model_path models/cluecorpussmall_t5_small_seq512_model.bin-250000 \
                                                      --output_model_path pytorch_model.bin \
                                                      --layers_num 6 \
                                                      --type t5

BibTeX引用和引用信息

@article{2020t5,
  title   = {Exploring the Limits of Transfer Learning with a Unified Text-to-Text Transformer},
  author  = {Colin Raffel and Noam Shazeer and Adam Roberts and Katherine Lee and Sharan Narang and Michael Matena and Yanqi Zhou and Wei Li and Peter J. Liu},
  journal = {Journal of Machine Learning Research},
  pages   = {1-67},
  year    = {2020}
}

@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}