/ Модель

Характеристики

Контекст
1 024 токена
Лицензия
CC BY-SA 4.0
Архитектура
gpt2 · dense
Библиотека
transformers
Опубликована
27 дек 2023

gpt2-large-japanese-char

Генерация текстаТекст → текст3 профессии

Символьная японская GPT-2 Large для продолжения фраз и генерации японского текста.

456скачиваний за 30 дней5лайковвеса обновлены27 дек 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

Это авторская символьная языковая модель GPT-2 Large от группы KU-NLP: GPT2LMHeadModel с 717 млн параметров, предварительно обученная генерировать японский текст. Она предназначена для продолжения японских фраз и генерации текста через библиотеку Transformers; обучение проводилось на японской Википедии, японских частях корпусов CC-100 и OSCAR. Контекст модели — 1024 токена.

Токенизатор использует символьный словарь размером около 6 тысяч единиц и байтовое BPE для редких символов. Пробел U+0020 отображается в [UNK], поскольку обычные пробелы были удалены из обучающих данных; для разделения слов следует использовать идеографический пробел U+3000. Модель распространяется по лицензии CC BY-SA 4.0.

Сценарии применения

  • продолжение японского текста по началу фразы
  • генерация японских предложений
  • создание японских текстовых заготовок
  • эксперименты с символьной генерацией японского языка

Ограничения

Контекст ограничен 1024 токенами. Обычный пробел U+0020 токенизируется как [UNK]; README рекомендует использовать U+3000.

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

Model Card for Japanese character-level GPT-2 Large

Model description

This is a Japanese character-level GPT-2 Large (717M parameters) language model pre-trained on Japanese Wikipedia, the Japanese portion of CC-100, and the Japanese portion of OSCAR.

How to use

You can use this model directly with a pipeline for text generation.

>>> from transformers import pipeline, set_seed
>>> generator = pipeline('text-generation', model='ku-nlp/gpt2-large-japanese-char')
>>> set_seed(5)
>>> generator("<s>昨日私は京都で", max_length=30, do_sample=True, num_return_sequences=5)

[{'generated_text': '<s>昨日私は京都で仕事だったのですが、帰りは車を信号で止めて、'},
 {'generated_text': '<s>昨日私は京都で開かれた大阪市都市戦略会議に出席しました。そ'},
 {'generated_text': '<s>昨日私は京都で行われました関西の教育者・学校事例が集まるイ'},
 {'generated_text': '<s>昨日私は京都では初雪を見ました。朝は少しパッとしない天気で'},
 {'generated_text': '<s>昨日私は京都でこみっくトレジャーさんの撮影を見学させていた'}]

You can also use this model to get the features of a given text.

Vocabulary

A character-level vocabulary of size 6K is used. To be precise, rare characters may be split into bytes because byte-level byte-pair encoding (BPE) is used. The BPE tokenizer was trained on a small subset of the training data. Since the data were converted into a one-character-per-line format, merge operations never go beyond character boundaries.

Note that the tokenizer maps U+0020 to [UNK] because preprocessing eliminated whitespace characters (U+0020) from training data. Use U+3000 (Ideographic Space) instead.

Training data

We used the following corpora for pre-training:

  • Japanese Wikipedia (as of 20221020, 3.2GB, 27M sentences, 1.3M documents)
  • Japanese portion of CC-100 (85GB, 619M sentences, 66M documents)
  • Japanese portion of OSCAR (54GB, 326M sentences, 25M documents)

Note that we filtered out documents annotated with "header", "footer", or "noisy" tags in OSCAR. Also note that Japanese Wikipedia was duplicated 10 times to make the total size of the corpus comparable to that of CC-100 and OSCAR. As a result, the total size of the training data is 171GB.

Training procedure

The training took about 8 months (with 7 interruptions) with a single NVIDIA A100 80GB GPU.

The following hyperparameters were used during pre-training:

  • learning_rate: 2e-4
  • per_device_train_batch_size: 6
  • gradient_accumulation_steps: 98
  • optimizer: AdamW with betas=(0.9, 0.999) and epsilon=1e-06
  • weight_decay: 0.01
  • lr_scheduler_type: linear
  • max_grad_norm: 1.0
  • max_steps: 500,000 (but terminated at 186,000 steps ~= 2.0 epochs)
  • warmup_steps: 10,000

The eval loss was 1.309 while the eval accuracy was 0.6890. The evaluation set consists of 5,000 randomly sampled documents from each of the training corpora.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
GPT2LMHeadModel
Ревизия весов
6a17dd6

0 моделей