gpt2-chinese-cluecorpussmall

项目介绍：gpt2-chinese-cluecorpussmall

项目描述

gpt2-chinese-cluecorpussmall 是一系列用于生成中文文本的GPT2模型。这些模型中除了GPT2-xlarge之外，都是通过 UER-py 进行预训练的，相关介绍可以参考这篇论文。而GPT2-xlarge模型则通过 TencentPretrain 进行预训练，相关介绍详见这篇论文。这个框架继承了UER-py的功能，并将其扩展到支持超过十亿参数的多模态预训练框架。其他模型同样可以使用TencentPretrain进行预训练。

这些中国版GPT2模型可供下载，用户可以从 UER-py Modelzoo页面 或通过HuggingFace平台获取。模型详情如下：

需要注意的是，6层的模型称为GPT2-distil模型，因为它遵循 distilgpt2 的配置，并且在预训练过程中不涉及较大模型的监督。

模型使用方法

用户可以直接通过文本生成管道来使用该模型（以下为GPT2-distil的示例）：

>>> from transformers import BertTokenizer, GPT2LMHeadModel, TextGenerationPipeline
>>> tokenizer = BertTokenizer.from_pretrained("uer/gpt2-distil-chinese-cluecorpussmall")
>>> model = GPT2LMHeadModel.from_pretrained("uer/gpt2-distil-chinese-cluecorpussmall")
>>> text_generator = TextGenerationPipeline(model, tokenizer)   
>>> text_generator("这是很久之前的事情了", max_length=100, do_sample=True)
    [{'generated_text': '这是很久之前的事情了 。 我 现 在 想 起 来 就 让 自 己 很 伤 心 ， 很 失 望 。 我 现 在 想 到 ， 我 觉 得 大 多 数 人 的 生 活 比 我 的 生 命 还 要 重 要 ， 对 一 些 事 情 的 看 法 ， 对 一 些 人 的 看 法 ， 都 是 在 发 泄 。 但 是 ， 我 们 的 生 活 是 需 要 一 个 信 用 体 系 的 。 我 不 知'}]

训练数据

训练使用的数据集为 CLUECorpusSmall。

训练流程

GPT2-xlarge模型由腾讯的TencentPretrain 进行预训练，其余模型则通过UER-py进行预训练，云平台使用的是腾讯云。训练包括多个阶段：

阶段一

• 使用128的序列长度进行1,000,000步的预训练。
• 使用如下命令进行预处理和预训练：

# 数据预处理
python3 preprocess.py --corpus_path corpora/cluecorpussmall.txt \
                      --vocab_path models/google_zh_vocab.txt \
                      --dataset_path cluecorpussmall_lm_seq128_dataset.pt \
                      --seq_length 128 --processes_num 32 --data_processor lm 
# 预训练
python3 pretrain.py --dataset_path cluecorpussmall_lm_seq128_dataset.pt \
                    --vocab_path models/google_zh_vocab.txt \
                    --config_path models/gpt2/distil_config.json \
                    --output_model_path models/cluecorpussmall_gpt2_distil_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-4 --batch_size 64

阶段二

• 将训练步骤增加250,000步，序列长度变为1024。
• 再次进行数据预处理与预训练：

# 数据预处理
python3 preprocess.py --corpus_path corpora/cluecorpussmall.txt \
                      --vocab_path models/google_zh_vocab.txt \
                      --dataset_path cluecorpussmall_lm_seq1024_dataset.pt \
                      --seq_length 1024 --processes_num 32 --data_processor lm 
# 预训练
python3 pretrain.py --dataset_path cluecorpussmall_lm_seq1024_dataset.pt \
                    --vocab_path models/google_zh_vocab.txt \
                    --pretrained_model_path models/cluecorpussmall_gpt2_distil_seq128_model.bin-1000000 \
                    --config_path models/gpt2/distil_config.json \
                    --output_model_path models/cluecorpussmall_gpt2_distil_seq1024_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-5 --batch_size 16

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/cluecorpussmall_gpt2_distil_seq1024_model.bin-250000 \
                                                        --output_model_path pytorch_model.bin \
                                                        --layers_num 6

对于GPT2-xlarge模型，类似地使用TencentPretrain进行预训练，并使用DeepSpeed进行优化。

引用与参考文献

如果您在研究中使用了此项目，请引用相关的参考文献：

@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}
}

通过这些复杂的预训练和优化步骤，gpt2-chinese-cluecorpussmall项目提供了多种中文文本生成模型，帮助用户轻松生成流畅且自然的中文文本。