Gpt2 Chinese Poem

🚀 中文古诗GPT2模型

本模型用于生成中文古诗，基于预训练技术，能有效助力古诗创作，为古诗爱好者和相关研究人员提供便利。

🚀 快速开始

本模型可直接通过文本生成管道使用，以下是不同参数设置下的使用示例。

✨ 主要特性

• 多工具预训练支持：该模型可通过 UER-py 进行预训练，此工具在 这篇论文 中被介绍。此外，还能使用 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，并将其扩展为多模态预训练框架。
• 多途径下载：可以从 UER-py 模型库页面、GPT2-Chinese Github 页面 下载该模型，也可通过 HuggingFace 从 gpt2-chinese-poem 链接下载。
• 特殊标记处理：由于在 pipelines.py 中使用了参数 skip_special_tokens，像 [SEP]、[UNK] 这样的特殊标记会被删除，因此托管推理 API（右侧）的输出结果可能无法正确显示。

📦 安装指南

本模型使用前需安装相关依赖库，可通过以下方式安装：

pip install transformers

💻 使用示例

基础用法

当参数 skip_special_tokens 为 True 时：

>>> from transformers import BertTokenizer, GPT2LMHeadModel,TextGenerationPipeline
>>> tokenizer = BertTokenizer.from_pretrained("uer/gpt2-chinese-poem")
>>> model = GPT2LMHeadModel.from_pretrained("uer/gpt2-chinese-poem")
>>> text_generator = TextGenerationPipeline(model, tokenizer)   
>>> text_generator("[CLS]梅 山 如 积 翠 ，", max_length=50, do_sample=True)
    [{'generated_text': '[CLS]梅 山 如 积 翠 ， 丛 竹 隠 疏 花 。 水 影 落 寒 濑 ， 竹 声 随 暮 鸦 。 茅 茨 数 间 屋 ， 烟 火 两 三 家 。 安 得 携 琴 酒 ， 相 逢 烟 雨 赊 。 向 湖 边 过 ， 偏 怜 雪 里 看 。 浮 峦 如 画 出 ， 远 树 与 天 连 。 月 上 僧 房 静 ， 风 回 萤 火 寒 。 幽 情 何 可 写 ， 赖 有 子 期 弹 。 棠 真'}]

高级用法

当参数 skip_special_tokens 为 False 时：

>>> from transformers import BertTokenizer, GPT2LMHeadModel,TextGenerationPipeline
>>> tokenizer = BertTokenizer.from_pretrained("uer/gpt2-chinese-poem")
>>> model = GPT2LMHeadModel.from_pretrained("uer/gpt2-chinese-poem")
>>> text_generator = TextGenerationPipeline(model, tokenizer)   
>>> text_generator("[CLS]梅 山 如 积 翠 ，", max_length=100, do_sample=True)
    [{'generated_text': '[CLS]梅 山 如 积 翠 ， 秀 出 何 其 雄 。 矫 矫 云 间 质 ， 映 日 生 玲 珑 。 根 大 乱 石 结 ， 枝 高 青 云 蒙 。 常 因 风 露 晚 ， 隠 映 瑶 台 中 。 忽 闻 山 石 裂 ， 万 里 吹 天 风 。 又 觉 此 身 高 ， 迥 出 凡 境 空 。 清 影 落 潭 水 ， 暗 香 来 逈 峰 。 却 寻 白 太 白 ， 月 影 摇 江 东 。 [SEP] 而 非'}]

📚 详细文档

训练数据

训练数据包含 80 万首中文古诗，这些古诗由 chinese-poetry 和 Poetry 项目收集。

训练过程

该模型在 腾讯云 上通过 UER-py 进行预训练。我们以 128 的序列长度进行 200,000 步的预训练，使用扩展词汇表来处理未登录词，将在古诗语料库中出现次数大于或等于 100 的汉字添加到词汇表中。

数据预处理命令：

python3 preprocess.py --corpus_path corpora/poem.txt \
                      --vocab_path models/google_zh_poem_vocab.txt \
                      --dataset_path poem_dataset.pt --processes_num 16 \
                      --seq_length 128 --data_processor lm 

预训练命令：

python3 pretrain.py --dataset_path poem_dataset.pt \
                    --vocab_path models/google_zh_poem_vocab.txt \
                    --config_path models/gpt2/config.json \
                    --output_model_path models/poem_gpt2_model.bin \
                    --world_size 8 --gpu_ranks 0 1 2 3 4 5 6 7 \
                    --total_steps 200000 --save_checkpoint_steps 50000 --report_steps 1000 \
                    --learning_rate 5e-4 --batch_size 64

最后，将预训练模型转换为 Huggingface 格式：

python3 scripts/convert_gpt2_from_uer_to_huggingface.py --input_model_path models/poem_gpt2_model.bin-200000 \
                                                        --output_model_path pytorch_model.bin \
                                                        --layers_num 12

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}
}

📄 许可证

文档中未提及许可证相关信息。