/ Модель

Характеристики

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

gpt2-medium-dutch

Генерация текстаТекст → текст3 профессии

Плотная GPT-2 Medium с 345 млн параметров, обученная с нуля на нидерландском mC4 для генерации и продолжения текста на нидерландском языке.

232скачиваний за 30 дней4лайкавеса обновлены21 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

yhavinga/gpt2-medium-dutch — плотная авторегрессионная языковая модель семейства GPT-2 Medium, разработанная yhavinga и обученная с нуля на очищенном нидерландском корпусе mC4. Модель содержит 345 млн параметров и предназначена для генерации продолжений текста на нидерландском языке; для запуска подходит библиотека Transformers и pipeline text-generation.

Для обучения использовались 33 млрд токенов из полной конфигурации очищенного Dutch mC4, а токенизатор BPE также обучен с нуля для нидерландского языка. В README указаны perplexity 15,1 и длина обучающей последовательности 512 токенов; метаданные каталога указывают контекст до 1024 токенов. Репозиторий содержит веса PyTorch и Flax, включая формат safetensors.

Модель подходит для прототипирования нидерландской генерации текста и продолжения заданных фрагментов. Это базовая предобученная модель, не заявленная как чат-модель или система следования инструкциям; возможны фактические ошибки и нежелательные продолжения. Лицензия в предоставленных данных не указана.

Сценарии применения

  • генерация продолжения нидерландского текста
  • создание черновиков и коротких фрагментов на нидерландском
  • прототипирование приложений для автодополнения нидерландского текста

Ограничения

Это базовая модель генерации, а не модель диалога или следования инструкциям; её продолжения могут содержать фактические ошибки. Лицензия не указана в предоставленных данных.

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

GPT2-Medium pre-trained on cleaned Dutch mC4 🇳🇱

A GPT2 medium-sized model (345M parameters) trained from scratch on Dutch, with perplexity 15.1 on cleaned Dutch mC4.

How To Use

You can use this GPT2-model directly with a pipeline for text generation.

MODEL_DIR='yhavinga/gpt2-medium-dutch'
from transformers import pipeline, GPT2Tokenizer, GPT2LMHeadModel
tokenizer = GPT2Tokenizer.from_pretrained(MODEL_DIR)
model = GPT2LMHeadModel.from_pretrained(MODEL_DIR)
generator = pipeline('text-generation', model, tokenizer=tokenizer, config={'max_length':100})

generated_text = generator('In Antwerpen heeft zich gisteren', max_length=100, do_sample=True, top_k=40, top_p=0.95, repetition_penalty=2.0))

"In Antwerpen heeft zich gisteren" - " een dramatische ontknoping voorgedaan in de Vlaamse deelregering. De VLD, die sinds afgelopen woensdag aan het bewind is in Vlaams-Waals gebied (de zogenaamde gewestelijke en niet rechtstreeks met Vlaanderen samenwerkende gewesten), krijgt toch geen meerderheidszetels bij verkiezingen voor gemeenteraadsverkiezingen in oktober of november volgend jaar in Westmalle, Berchem, Tervuren enz., aldus premier Jean-Pierre Van Cauwenberghe van Wallonië vandaag"

Tokenizer

  • BPE tokenizer trained from scratch for Dutch on mC4 nl cleaned with scripts from the Huggingface Transformers Flax examples.

Dataset

This model was trained on of the full configuration (33B tokens) of cleaned Dutch mC4, which is the original mC4, except

  • Documents that contained words from a selection of the Dutch and English List of Dirty Naught Obscene and Otherwise Bad Words are removed
  • Sentences with less than 3 words are removed
  • Sentences with a word of more than 1000 characters are removed
  • Documents with less than 5 sentences are removed
  • Documents with "javascript", "lorum ipsum", "terms of use", "privacy policy", "cookie policy", "uses cookies", "use of cookies", "use cookies", "elementen ontbreken", "deze printversie" are removed.

Models

TL;DR: yhavinga/gpt2-medium-dutch is the best model.

  • The models with a/b in the step-column have been trained to step a of a total of b steps.
modelparamstrain seq lenppllossbatch sizeepochsstepsoptimlrdurationconfig
yhavinga/gpt-neo-125M-dutchgpt neo125M51220.93.041281190000/558608adam2.4e-31d 12hfull
yhavinga/gpt2-medium-dutchgpt2345M51215.12.711281320000/520502adam8e-47d 2hfull
yhavinga/gpt2-large-dutchgpt2762M51215.12.723211100000/2082009adafactor3.3e-58d 15hlarge
yhavinga/gpt-neo-1.3B-dutchgpt neo1.3B51216.02.77161960000/3049896adafactor5e-47d 11hfull

Acknowledgements

This project would not have been possible without compute generously provided by Google through the TPU Research Cloud. The HuggingFace 🤗 ecosystem was also instrumental in most, if not all, parts of the training. The following repositories where helpful in setting up the TPU-VM, and training the models:

Created by Yeb Havinga

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
b22286e

0 моделей