/ Модель

Характеристики

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

indo-gpt2-small

Генерация текстаТекст → текст3 профессии

Дообученная на индонезийской Википедии модель GPT-2 Small для продолжения и генерации текста на индонезийском языке.

82скачиваний за 30 дней2лайкавеса обновлены23 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

Indo GPT-2 Small — языковая модель на архитектуре GPT-2 Small, дообученная Wilson Wongso на статьях индонезийской Википедии. Она предназначена для продолжения индонезийского текста и генерации фрагментов, похожих по стилю и тематике на энциклопедические статьи.

Модель содержит 124 млн параметров, принимает текст и выдаёт текст. Контекст составляет до 1024 токенов. Обучение проводилось в течение одной эпохи на корпусе объёмом 3,1 ГБ; модель совместима с PyTorch, TensorFlow и другими представленными форматами весов.

Выводы модели могут содержать фактические ошибки и унаследованные от Википедии смещения. Репозиторий распространяется по лицензии MIT.

Сценарии применения

  • продолжение текста на индонезийском языке
  • генерация черновиков энциклопедических статей
  • создание тематических текстовых фрагментов на индонезийском
  • эксперименты с генерацией индонезийского текста

Ограничения

Модель обучалась только одну эпоху на статьях Википедии, поэтому её стиль и знания ограничены этим корпусом. Сгенерированный текст может содержать фактические ошибки и смещения, присутствовавшие в источниках.

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

Indo GPT-2 Small

Indo GPT-2 Small is a language model based on the GPT-2 model. It was trained on the latest (late December 2020) Indonesian Wikipedia articles.

The model was originally HuggingFace's pretrained English GPT-2 model and is later fine-tuned on the Indonesian dataset. Many of the techniques used are based on a notebook/blog shared by Pierre Guillou, where Pierre Guillou fine-tuned the English GPT-2 model on a Portuguese dataset.

Frameworks used include HuggingFace's Transformers and fast.ai's Deep Learning library. PyTorch was used as the backend framework during training, but the model remains compatible with TensorFlow nonetheless.

Model

Model#paramsArch.Training /Validation data (text)
indo-gpt2-small124MGPT-2 SmallIndonesian Wikipedia (3.1 GB of text)

Evaluation Results

The model was trained for only 1 epoch and the following is the final result once the training ended.

epochtrain lossvalid lossperplexitytotal time
02.9812.93618.852:45:25

How to Use (PyTorch)

Load Model and Byte-level Tokenizer

from transformers import GPT2TokenizerFast, GPT2LMHeadModel
pretrained_name = "w11wo/indo-gpt2-small"
tokenizer = GPT2TokenizerFast.from_pretrained(pretrained_name)
tokenizer.model_max_length = 1024
model = GPT2LMHeadModel.from_pretrained(pretrained_name)

Generate a Sequence

# sample prompt
prompt = "Nama saya Budi, dari Indonesia"
input_ids = tokenizer.encode(prompt, return_tensors='pt')
model.eval()

# generate output using top-k sampling
sample_outputs = model.generate(input_ids, 
                                pad_token_id=50256,
                                do_sample=True, 
                                max_length=40, 
                                min_length=40,
                                top_k=40,
                                num_return_sequences=1)

for i, sample_output in enumerate(sample_outputs):
    print(tokenizer.decode(sample_output.tolist()))

Disclaimer

Do remember that although the dataset originated from Wikipedia, the model may not always generate factual texts. Additionally, the biases which came from the Wikipedia articles may be carried over into the results of this model.

Credits

Major thanks to Pierre Guillou for sharing his work, which did not only enable me to realize this project but also taught me tons of new, exciting stuff.

Author

Indo GPT-2 Small was trained and evaluated by Wilson Wongso. All computation and development are done on Google Colaboratory using their free GPU access.

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
d015ee6

0 моделей