/ Модель

Характеристики

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

gpt2-medium-japanese-char

Генерация текстаТекст → текст3 профессии

Символьная японская GPT-2 Medium для генерации связного текста на японском языке.

590скачиваний за 30 дней3лайкавеса обновлены8 июн 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 символьная языковая модель GPT-2 Medium на 310 млн параметров, разработанная группой KU-NLP и предварительно обученная на японской Википедии, японской части CC-100 и японской части OSCAR. Модель предназначена для генерации японского текста и запускается через библиотеку Transformers с задачей text-generation. Она использует символьный словарь размером около 6 тысяч токенов; редкие символы могут кодироваться байтами с помощью BPE. Контекст модели составляет 1024 токена.

Обучающий корпус включает японские веб-тексты и энциклопедические материалы; данные Википедии повторяли десять раз, чтобы сопоставить их объём с остальными источниками. Токенизатор не обучался на пробелах U+0020: для разделения текста README рекомендует использовать японский пробел U+3000. Модель распространяется по лицензии CC BY-SA 4.0.

Сценарии применения

  • генерация продолжения японского текста
  • создание японских фраз по началу предложения
  • эксперименты с символьными языковыми моделями
  • прототипирование приложений генерации текста на японском

Ограничения

Пробел U+0020 отображается в [UNK], поскольку пробелы удалялись при предобработке; для разделения текста следует использовать U+3000. Контекст ограничен 1024 токенами.

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 Medium

Model description

This is a Japanese character-level GPT-2 Medium (310M 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-medium-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。そのときに訪れた京都の街の'},
 {'generated_text': '<s>昨日私は京都で開かれた、「みんなで絵本の読み聞かせ会」に参'},
 {'generated_text': '<s>昨日私は京都で行われましたコンペティションに参加してきまし'},
 {'generated_text': '<s>昨日私は京都では雪が解けるの日経平均株価が下がるのみで今は'},
 {'generated_text': '<s>昨日私は京都でこみっくトレジャー2を開催して見ましたが、そ'}]

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 3 months (with two 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: 14
  • gradient_accumulation_steps: 42
  • 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 1.411 while the eval accuracy was 0.6697. 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
8a49a32

0 моделей