/ Модель

Характеристики

Контекст
1 024 токена
Лицензия
MIT
Архитектура
gpt2 · dense
Опубликована
2 мар 2022

german-gpt2-larger

Генерация текстаТекст → текст3 профессии

Немецкоязычная GPT-2, обученная на веб-корпусе GC4 для генерации текста, исследований смещений и последующего дообучения.

294скачиваний за 30 дней8лайковвеса обновлены30 окт 2024

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

Модель German GPT-2 Larger разработана Stefan-it и обучена с нуля как немецкоязычная авторегрессионная языковая модель на примерно 90 ГБ корпуса German colossal, clean Common Crawl corpus (GC4). Она предназначена прежде всего как отправная точка для дообучения на специализированных текстах и для исследований предобученных языковых моделей на немецком языке, в том числе изучения и снижения смещений. Модель генерирует продолжение текста по текстовому запросу; архитектура — плотная GPT-2 с классом GPT2LMHeadModel, контекст составляет 1024 токена.

Модель выпущена по лицензии MIT. Авторы отмечают, что тексты GC4 собраны из интернета и могут содержать стереотипные ассоциации по гендеру, расе, этнической принадлежности и инвалидности; качество генерации может быть ниже, чем у более крупных моделей. Чекпойнт позиционируется для исследований и экспериментов с дообучением, а не как универсальная готовая система.

Сценарии применения

  • генерация продолжения немецкого текста
  • подготовка базовой модели для дообучения на немецких специализированных текстах
  • исследование смещений в немецкоязычных языковых моделях
  • эксперименты по снижению гендерных и социальных стереотипов в генерации

Ограничения

Обучающие данные собраны из интернета и могут приводить к стереотипным смещениям; качество генерации ограничено по сравнению с более крупными моделями. Карточка рекомендует относиться к чекпойнтам как к исследовательской отправной точке и оценивать результаты до применения.

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

German GPT-2 model

In this repository we release (yet another) GPT-2 model, that was trained on ~90 GB from the "German colossal, clean Common Crawl corpus" (GC4).

The model is meant to be an entry point for fine-tuning on other texts, and it is definitely not as good or "dangerous" as the English GPT-3 model. We do not plan extensive PR or staged releases for this model 😉


Disclaimer: the presented and trained language models in this repository are for research only purposes. The GC4 corpus - that was used for training - contains crawled texts from the internet. Thus, this GPT-2 model can be considered as highly biased, resulting in a model that encodes stereotypical associations along gender, race, ethnicity and disability status. Before using and working with the released checkpoints, it is highly recommended to read:

On the Dangers of Stochastic Parrots: Can Language Models Be Too Big?

from Emily M. Bender, Timnit Gebru, Angelina McMillan-Major and Shmargaret Shmitchell.

The aim of this released GPT-2 model for German is to boost research on (large) pre-trained language models for German, especially for identifying biases and how to prevent them, as most research is currently done for English only.


Changelog

  • 17.10.2021: We highly recommend to try the Text Generation Pipeline in Transformers. The quality of the generated text from the Inference Widget here can be lower.
  • 06.09.2021: Initial release. Detailed information about training parameters coming soon.

Text Generation

The following code snippet can be used to generate text with this German GPT-2 model:

from transformers import pipeline

model_name = "stefan-it/german-gpt2-larger"

pipe = pipeline('text-generation', model=model_name, tokenizer=model_name)

text = pipe("Der Sinn des Lebens ist es", max_length=200)[0]["generated_text"]

print(text)

Training Data

The following archives are used for training the (first version) of this GPT-2 model:

  • de_head_0000_2015-48.tar.gz
  • de_head_0000_2016-18.tar.gz
  • de_head_0000_2016-44.tar.gz
  • de_head_0000_2017-13.tar.gz
  • de_head_0000_2017-30.tar.gz
  • de_head_0000_2017-39.tar.gz
  • de_head_0000_2017-51.tar.gz
  • de_head_0000_2018-09.tar.gz
  • de_head_0000_2018-17.tar.gz
  • de_head_0000_2018-30.tar.gz
  • de_head_0000_2018-39.tar.gz
  • de_head_0000_2018-51.tar.gz
  • de_head_0000_2019-18.tar.gz
  • de_head_0000_2019-30.tar.gz
  • de_head_0006_2019-09.tar.gz
  • de_head_0006_2019-18.tar.gz
  • de_head_0006_2019-30.tar.gz
  • de_head_0006_2019-47.tar.gz
  • de_head_0006_2020-10.tar.gz
  • de_head_0007_2018-30.tar.gz
  • de_head_0007_2018-51.tar.gz
  • de_head_0007_2019-09.tar.gz
  • de_head_0007_2019-18.tar.gz
  • de_head_0007_2019-47.tar.gz
  • de_head_0007_2020-10.tar.gz

Details and URLs can be found on the GC4 page.

Archives are then extracted and NLTK (german model) is used to sentence split the corpus. This results in a total training corpus size of 90GB.

Training Details

We use the recently re-trained dbmdz/german-gpt2 (version 2!) model as back-bone model. Thus, the tokenizer and vocab is the same as used in the dbmdz/german-gpt2 model.

The model was trained on a v3-8 TPU, with the following parameters:

python ./run_clm_flax.py --output_dir=/mnt/datasets/german-gpt2-larger/ --name_or_path dbmdz/german-gpt2 --do_train --do_eval --block_size=512 --per_device_train_batch_size=16 --per_device_eval_batch_size=16 --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=2500 --eval_steps=2500 --train_file /mnt/datasets/gc4/train.txt --validation_file /mnt/datasets/gc4/validation.txt --preprocessing_num_workers 16

Training took around 17 days for 20 epochs.

Acknowledgments

Research supported with Cloud TPUs from Google's TensorFlow Research Cloud (TFRC). Thanks for providing access to the TFRC ❤️

Thanks to the generous support from the Hugging Face team, it is possible to download this model from their S3 storage 🤗

This project heavily profited from the amazing Hugging Face Community Week. Many thanks for the great organization and discussions during and after the week!

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
GPT2LMHeadModel
Ревизия весов
7afdc75

0 моделей