Cpt Base

🚀 中文CPT-Base

本项目是CPT-Base的实现，主要用于中文语言理解和生成任务。它在多个中文自然语言处理任务中展现出了良好的性能，并且不断进行更新优化。

🚀 快速开始

若要使用CPT，需将定义CPT架构的文件 modeling_cpt.py（点击下载）导入到你的项目中。

>>> 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', '国', '的', '首', '都', '[SEP]']

⚠️ 重要提示

请使用 BertTokenizer 处理模型词汇，请勿使用原始的 BartTokenizer。

✨ 主要特性

模型更新

• 2022年12月30日：发布了CPT和中文BART的更新版本。在新版本中，对以下部分进行了更改：
  • 词汇表：用一个从训练数据构建的更大的词汇表（大小为51271）替换了旧的BERT词汇表，具体操作包括：1) 添加缺失的6800多个中文字符（其中大部分是繁体字）；2) 移除冗余的标记（例如带有 ## 前缀的中文字符标记）；3) 添加一些英文标记以减少未登录词（OOV）。
  • 位置嵌入：将 max_position_embeddings 从512扩展到1024。

模型初始化与训练

使用旧版本的检查点并进行词汇对齐来初始化新版本的模型。复制旧检查点中找到的标记嵌入，其他新添加的参数则随机初始化。进一步以批量大小2048、最大序列长度1024、峰值学习率2e - 5和热身比率0.1对新的CPT和中文BART进行了50K步的训练。

性能对比

与之前的检查点相比，更新后的模型性能如下：

结果表明，更新后的模型与之前的检查点相比保持了相当的性能。仍有一些情况显示更新后的模型略逊于之前的模型，原因如下：1) 额外训练的几步并未带来显著的性能提升；2) 一些下游任务不受新添加标记和更长编码序列的影响，但对微调超参数敏感。

⚠️ 重要提示

要使用更新后的模型，请更新 modeling_cpt.py（新版本下载 点击此处）和词汇表（刷新缓存）。

📚 详细文档

模型描述

这是CPT - Base的一个实现。若要使用CPT，需将定义CPT架构的文件 modeling_cpt.py（下载 点击此处）导入到你的项目中。

相关论文

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

代码仓库

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

📄 许可证

未提及相关许可证信息。

📝 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}
}