Dansk Gpt Wiki

🚀 GPT2-丹麦语-维基百科

这是一个丹麦语的GPT2风格模型，使用Flax CLM管道在wiki40b数据集的丹麦语部分上进行训练。该数据集可在 wiki40b 找到。

🚀 快速开始

本模型是在Huggingface Flax/Jax挑战期间，使用Flax Jax在TPU上训练的一系列模型的一部分。

✨ 主要特性

GPT模型

• 瑞典语GPT：瑞典语GPT
• 瑞典语GPT维基：瑞典语GPT维基
• 北欧GPT维基：北欧GPT维基
• 丹麦语GPT维基：丹麦语GPT维基
• 挪威语GPT维基：挪威语GPT维基

RoBERTa模型

• 北欧RoBERTa维基：北欧RoBERTa维基
• 瑞典语RoBERTa维基Oscar：瑞典语RoBERTa维基Oscar
• 瑞典语RoBERTa Scandi：瑞典语RoBERTa Scandi
• 瑞典语RoBERTa：瑞典语RoBERTa

瑞典语T5模型

• 瑞典语T5模型：瑞典语T5模型

🔧 技术细节

数据清洗和预处理

使用以下脚本对数据进行清洗和预处理。请确保安装beam_runner的依赖项，以使数据集正常工作。

from datasets import load_dataset
def load_and_clean_wiki():
    dataset = load_dataset('wiki40b', 'da', beam_runner='DirectRunner', split="train")
    #dataset = load_dataset('wiki40b', 'sv', beam_runner='DirectRunner')
    dataset = dataset.remove_columns(['wikidata_id', 'version_id'])
    filtered_dataset = dataset.map(filter_wikipedia)
    # filtered_dataset[:3]
    # print(filtered_dataset[:3])
    return filtered_dataset

def filter_wikipedia(batch):
    batch["text"] = " ".join(batch["text"].split("\
_START_SECTION_\
"))
    batch["text"] = " ".join(batch["text"].split("\
_START_ARTICLE_\
"))
    batch["text"] = " ".join(batch["text"].split("\
_START_ARTICLE_\
"))
    batch["text"] = " ".join(batch["text"].split("\
_START_PARAGRAPH_\
"))
    batch["text"] = " ".join(batch["text"].split("_NEWLINE_"))
    batch["text"] = " ".join(batch["text"].split("\xa0"))
    return batch

训练脚本

使用以下训练脚本来训练模型：

./run_clm_flax.py     --output_dir="${MODEL_DIR}"     --model_type="gpt2"     --config_name="${MODEL_DIR}"     --tokenizer_name="${MODEL_DIR}"     --dataset_name="wiki40b"     --dataset_config_name="da"     --do_train --do_eval     --block_size="512"     --per_device_train_batch_size="64"     --per_device_eval_batch_size="64"     --learning_rate="5e-3" --warmup_steps="1000"     --adam_beta1="0.9" --adam_beta2="0.98" --weight_decay="0.01"     --overwrite_output_dir     --num_train_epochs="20"     --logging_steps="500"     --save_steps="1000"     --eval_steps="2500"     --push_to_hub