/ Модель

Характеристики

Контекст
512 токенов
Архитектура
gpt2 · dense
Библиотека
transformers
Опубликована
10 мар 2023

64CharGPT

Генерация текстаТекст → текст3 профессии

Компактная GPT-2 модель для генерации английского текста, обученная на субтитрах и расшифровках видео и телепередач.

174скачиваний за 30 дней0лайковвеса обновлены30 мар 2023

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Corianas/64CharGPT — авторская компактная языковая модель семейства GPT-2 для генерации текста. Она обучена на корпусе примерно из 2,3 млрд токенов, составленном из субтитров YouTube и расшифровок передач YouTube и телевидения. Обучение остановили из-за переобучения на чекпойнте 264 000 из запланированных 400 000 шагов.

Модель предназначена для продолжения текста и генерации фраз в стиле субтитров и расшифровок. Её словарь ограничен 64 символами: в частности, описаны специальные маркеры конца образца и преобразования регистра. В метаданных указаны архитектура GPT-2, библиотека Transformers, контекст 512 токенов и английский язык. Репозиторий содержит веса PyTorch. Сведения о лицензии в предоставленных данных отсутствуют.

Сценарии применения

  • продолжение коротких фрагментов английских субтитров
  • генерация текста в стиле расшифровок видео и телепередач
  • эксперименты с компактной GPT-2 моделью и ограниченным словарём

Ограничения

Контекст ограничен 512 токенами, а словарь — 64 символами. Обучение остановлено из-за переобучения до завершения запланированных шагов.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Vocab is:

\n\" !$&'#,/+=-<>*@.:;[]^?0123456789abcdefghijklmnopqrstuvwxyzèé§↨
§ (made from alt+21) was used as end of file/sample 
↨ (made from alt+23) is the shift key (and gets removed and the next character gets replaced with an uppdercase character)

Model is trained on scraped youtube subtitles and whispered transcripts of youtube/tv shows. totalling approx 2.3billion tokens when processed.

Data was Deduped, Had all UPPERCASE samples removed, and ran a 'ranker' that removed random data which somehow was included in the subtitles on youtube. (such as total gibberish)

Training took 72 hours, and was stopped when overfitting occured. (this is checkpoint 264000 out of a planned 400000)

gradient_accumulation_steps = 2 # used to simulate larger batch sizes
batch_size = 45 # if gradient_accumulation_steps > 1, this is the micro-batch size
block_size = 768    
n_layer = 12
n_head = 8
n_embd = 512
dropout = 0.00001 # for pretraining 0 is good, for finetuning try 0.1+
bias = False # do we use bias inside LayerNorm and Linear layers?
learning_rate = 0.0008 # max learning rate
min_lr = 0.00008

function to fix text from the model:

def remove_caseifer(text):
    new_text = ""
    i = 0
    while i < len(text):
        if text[i] == "↨":
            if i+1 < len(text):
                new_text += text[i+1].upper()
                i += 1
            else:
                pass  # skip this index
        else:
            new_text += text[i]
        i += 1
    return new_text

function to prepare text for the model:

def add_caseifer(text):
    uppers = 0
    lowers = 0
    tokenlist = set("\n\" !$&'#,/+=-<>*@.:;[]{}()^?0123456789ABCDEFGHIJKLMNOPQRSTUVWXYZabcdefghijklmnopqrstuvwxyzèé")
    replace_map = {  # Define a mapping of characters to be replaced
        "{": "[",
        "(": "[",
        "}": "]",
        ")": "]"
    }
    upperlist = set("ABCDEFGHIJKLMNOPQRSTUVWXYZ")
    lowerlist = set("abcdefghijklmnopqrstuvwxyz")
    new_text = ""
    for char in text:
        if char in tokenlist:
            if char in upperlist:
                new_text += "↨" + char.lower()
            elif char in replace_map:
                new_text += replace_map[char]
            else:
                new_text += char
        else:
            continue      
    return new_text

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
GPT2
Ревизия весов
64fc8c0

0 моделей