位置: IT常识 - 正文

训练自己的GPT2模型(中文),踩坑与经验(训练自己的GPT模型 中文改英文)

编辑:rootadmin
训练自己的GPT2模型(中文),踩坑与经验 GPT2与Bert、T5之类的模型很不一样!!!

推荐整理分享训练自己的GPT2模型(中文),踩坑与经验(训练自己的GPT模型 中文改英文),希望有所帮助,仅作参考,欢迎阅读内容。

文章相关热门搜索词:训练自己的语音模型,训练自己的gpt模型有什么用,训练自己的GPT,训练自己的GPT模型 中文改英文,训练自己的gpt模型有什么用,训练自己的GPT模型 中文改英文,训练自己的GPT模型 知识库,训练自己的GPT模型 中文改英文,内容如对您有帮助,希望把文章链接给更多的朋友!

如果你对Bert、T5、BART的训练已经很熟悉,想要训练中文GPT模型,务必了解以下区别!!! 官方文档里虽然已经有教程,但是都是英文,自己实践过才知道有很多坑!!! 中文也有一些教程,但是使用了TextDataset这种已经过时的方法,不易于理解GPT2的真正工作原理。

开门见山说结论,与bert的最主要区别:

GPT2Tokenizer,是以字节为单位的字节对编码,不是以中文的字或词为单位的! 对于英文,GPT2Tokenizer大部分时候是以单词为单位进行切分的,但是对中文则完全不同,有时候2个id代表一个中文字,有时候又是1个?这一奇怪的现象正是因为采用字节对编码的结果。 这也是为什么很多中文GPT使用BertTokenizer作为分词器,因为比较符合直观。GPT2Tokenizer没有默认的【pad_token】,需要自己设置,一般和eos_token设为一样。而且GPT2Tokenizer不会自动在句末增加eos_token,需要自己手动添加,否则模型generate的时候永远不会停下来直到最大长度,因为它不会生成eos_token!!! 而且train的时候需要padding在右边,否则模型永远学不会什么时候停下!!! 而且test的时候需要padding在左边,否则模型生成的结果可能全为eos!!!训练时GPT2的【labels】和【input_ids】是一样的!所以使用的DataCollator不同

与T5的主要区别: 5. generate时的设置不同,因为input本身也是output的一部分,所以最好设置max_new_tokens 6. lm_head层不在model.parameters当中,因为词嵌入矩阵[‘transformer.wte.weight’]和lm_head的weight是参数共享的!而在T5中,只有encoder和decoder的词嵌入矩阵参数共享,lm_head则是一个独立的全连接层。

下面对这几点分别介绍:

1.tokenizer问题 官方介绍:如下 Construct a GPT-2 tokenizer. Based on byte-level Byte-Pair-Encoding. This tokenizer has been trained to treat spaces like parts of the tokens (a bit like sentencepiece) so a word will be encoded differently whether it is at the beginning of the sentence (without space) or not:

from transformers import GPT2Tokenizer tokenizer = GPT2Tokenizer.from_pretrained("gpt2") tokenizer("Hello world")['input_ids'][15496, 995] tokenizer(" Hello world")['input_ids'][18435, 995]

You can get around that behavior by passing add_prefix_space=True when instantiating this tokenizer or when you call it on some text, but since the model was not pretrained this way, it might yield a decrease in performance.

训练自己的GPT2模型(中文),踩坑与经验(训练自己的GPT模型 中文改英文)

总结起来就是:

GPT-2 tokenizer 基于字节对进行编码。更多介绍可以看Byte-Pair-EncodingGPT-2 tokenizer 会把空格视为token的一部分(T5也是如此),例如“hello”与“ hello”的encode结果截然不同你可以设置add_prefix_space,来避免上述情况,但是模型效果会下降

tokenize过程: 由于英文字母转换为字节再转换为单字节字符后和原来是一样的,所以英文tokenize看起来和bert差不多。(单字节字符共有256个,是ascii码的扩充,0-128和ascii码一样,所以不影响英文编码) 然而中文则面目全非,GPT-2 tokenizer的vocab里面看不见一个中文,因为vocab全都是单字节字符的组合。如下图:

那么中文是怎么变成id的呢?中文转换过程如下(这部分比较烦,不看不影响模型的训练) 外部看起来的情况:中文(utf-8)–>字节串(一个中文3个字节)–>每个字节对应一个单字节字符–>单字节字符串–>寻找vocab里对应的子串,进行分词–>转变为input_ids 实际情况:中文(utf-8)–>字节串(一个中文3个字节)–>寻找vocab里对应的子字节串,进行分词–>转变为input_ids 可以看下面例子理解以上过程:

>>> '中国'.encode('utf-8')b'\xe4\xb8\xad\xe5\x9b\xbd'>>> [tokenizer.byte_encoder[b] for b in b'\xe4\xb8\xad\xe5\x9b\xbd']['ä', '¸', 'Ń', 'å', 'Ľ', '½']>>> ''.join(['ä', '¸', 'Ń', 'å', 'Ľ', '½']) 'ä¸ŃåĽ½'>>> tokenizer.tokenize('中国')['ä¸Ń', 'åĽ', '½']>>> tokenizer.convert_tokens_to_ids(['ä¸Ń', 'åĽ', '½'])[40792, 32368, 121]>>> tokenizer.tokenize('ä¸ŃåĽ½')['ä', 'Â', '¸', 'Å', 'ĥ', 'Ã¥', 'Ä', '½', '½']#由于python的encode命令默认使用utf-8编码,而不是单字节字符集,#所以这里将“中国”的分词结果拼回去在分词,结果会不一样>>> tokenizer.byte_decoder['ä'] #此处使用单字节字符集,将'ä'映射为一个字节228 #十进制228对应十六进制0xe4>>> bytearray([228])bytearray(b'\xe4')>>> 'ä'.encode('utf-8') #此处使用默认encode,将'ä'映射为2个字节b'\xc3\xa4'

2.Padding问题 由于gpt是自回归语言模型,理论上来说,是不需要pad的,因为生成的id必须立即接在输入的id后面,中间不能有pad_token。 train的时候需要padding在右边,并在句末加入eos,否则模型永远学不会什么时候停下!!! test的时候需要padding在左边,否则模型生成的结果可能全为eos!!! 但是当一个batch进行generate时时,难免出现输入句子不一样长的情况,所以需要在前面添加pad_token而不是像Bert一样默认添加在后面。 所以generate时需要设置:

tokenizer.pad_token=tokenizer.eos_tokentokenizer.padding_side='left'

train的时候需要设置:

tokenizer.pad_token=tokenizer.eos_tokentokenizer.padding_side='right'#假设text为想要训练的文本,需要在句末加入eostext=text+tokenizer.eos_token

3.训练label问题

对于GPT,训练数据集里没有输入输出的区别,没有question与answer之分。训练时,一整句话,既是input,也是label。所以labels与input_ids 完全一致。举例如下: 假设我希望训练模型,使其能进行如下问答:question:“中国是首都是什么?”answer:“北京” T5:input_ids :“中国是首都是什么?”,labels:“北京” GPT2:input_ids :“中国是首都是什么?北京”,labels:“中国是首都是什么?北京”

当你的数据集已经有question和answer列,那么需要将question和answer拼接在一起,再tokenizer处理为input_ids与attention_mask列

当你的数据集已经有input_ids与attention_mask列,那么就使用 transformers提供的DataCollatorForLanguageModeling即可让dataloader自动生成labels。如下是训练一个epoch的方式:

#dataset已经经过处理,有input_ids与attention_mask列data_collator = DataCollatorForLanguageModeling(tokenizer=tokenizer, mlm=False)data_loader = DataLoader(dataset, batch_size=batch_size, shuffle=True, collate_fn=data_collator, drop_last=False)# acclelrator包装model, data_loader = accelerator.prepare(model, data_loader)#训练一个epochfor step, batch in enumerate(data_loader): optimizer.zero_grad() outputs = model(**batch) loss = outputs[0] accelerator.backward(loss) optimizer.step()

4.Generate问题

由于模型的config中pad_token一般为None,但在生成一个batch的时候,因为设置了early_stopping=True,所以生成的序列不一样长,难免要用到padding,所以这一项需要设置 :pad_token_id=tokenizer.pad_token_id,使所有生成序列一样长。GPT2生成的结果,max_length表示prompt+generate的总长度,max_new_tokens表示generate的长度,通常我们想要限制的都是generate的长度,input_ids的长度一般不算在内,所以设置 max_length=None, max_new_tokens=256。 T5模型则一般设置max_length,因为decoder部分一般没有前缀。前面提到过的,input需要padding,但需要pad在左边,pad_token一般与eos_token相同,不影响生成结果。由于是生成(test)不是训练,所以input_ids和训练时不同。训练时输入 问题+答案;测试时只输入 问题,不需要提供labels 举个例子,训练时,input_ids是“中国是首都是什么?北京”;测试时,input_ids则为“中国是首都是什么?”,然后模型生成“中国是首都是什么?北京”,需要自己再把后面部分截取出来作为 答案input_ids=tokenizer("中国是首都是什么?")['input_ids']attention_mask=tokenizer("中国是首都是什么?")['attention_mask']generated_ids = model.generate( input_ids=input_ids, attention_mask=attention_mask, min_length=3, max_length=None, max_new_tokens=256, pad_token_id=tokenizer.pad_token_id, repetition_penalty=3.5, length_penalty=2.5, early_stopping=True,)decoded_preds = tokenizer.batch_decode(generated_ids, skip_special_tokens=True)>>> decoded_preds '中国是首都是什么?北京'

总结:别用GPT,GPT不适合微调,只适合娱乐,想做生成任务建议用T5 、OPT、Bloomz等开源的语言模型,采用更优的相对位置编码,也不容易出乱码 (╬ ̄皿 ̄) 而且因为使用字节对编码,generate时极易出现乱码,因为一个中文3字节,而最小的token是2字节。如果编码英文,很合理,编码中文则非常的反直觉,不如bert、T5符合人类的习惯。如果条件允许,可以自己定义新的tokenizer进行训练。

本文链接地址:https://www.jiuchutong.com/zhishi/293061.html 转载请保留说明!

上一篇:【端午安康】 ( © Shutterstock )(端午安康图片)

下一篇:React中实现keepalive组件缓存效果(react keepalive)

  • 小白点怎么关闭(华为手机小白点怎么关闭)

    小白点怎么关闭(华为手机小白点怎么关闭)

  • ppt怎么设置超链接(ppt怎么设置超链接退出)

    ppt怎么设置超链接(ppt怎么设置超链接退出)

  • 苹果8可以升级iOS13.5.1吗(苹果8可以升级ios17吗)

    苹果8可以升级iOS13.5.1吗(苹果8可以升级ios17吗)

  • 微信怎么恢复出厂设置(微信怎么恢复出厂头像)

    微信怎么恢复出厂设置(微信怎么恢复出厂头像)

  • 微信上申请的健康码怎么查看(微信上申请的健康码在哪)

    微信上申请的健康码怎么查看(微信上申请的健康码在哪)

  • 通讯录好友删了,怎么还显示在快手里(通讯录好友删了抖音怎么还有)

    通讯录好友删了,怎么还显示在快手里(通讯录好友删了抖音怎么还有)

  • 支付宝怎么样提高信用分(支付宝怎么样提升花呗额度)

    支付宝怎么样提高信用分(支付宝怎么样提升花呗额度)

  • 抖音怎么设置好友在线(抖音怎么设置好友推荐视频)

    抖音怎么设置好友在线(抖音怎么设置好友推荐视频)

  • qq昵称修改失败36是啥(qq名称修改失败是怎么回事)

    qq昵称修改失败36是啥(qq名称修改失败是怎么回事)

  • 怎么把表格的竖线去掉(怎么把表格的竖线拉长)

    怎么把表格的竖线去掉(怎么把表格的竖线拉长)

  • 快手仅好友可见是不是互相关注的人(快手仅好友可见是什么标志)

    快手仅好友可见是不是互相关注的人(快手仅好友可见是什么标志)

  • etc插卡一点反应都没有(etc插卡后无反应)

    etc插卡一点反应都没有(etc插卡后无反应)

  • 1kbps是什么意思(1kb/s是什么意思代表什么)

    1kbps是什么意思(1kb/s是什么意思代表什么)

  • 手机云备份怎么用(手机云备份怎么查看内容)

    手机云备份怎么用(手机云备份怎么查看内容)

  • 荣耀9xpro怎么设置每日流量提醒(荣耀9x手机设置)

    荣耀9xpro怎么设置每日流量提醒(荣耀9x手机设置)

  • mate30pro音量键怎么按(mate30e pro音量键)

    mate30pro音量键怎么按(mate30e pro音量键)

  • 苹果8按键震动怎么关(苹果8按键震动怎么关闭)

    苹果8按键震动怎么关(苹果8按键震动怎么关闭)

  • 苹果手机sdk在哪里(苹果的sdk授权在哪里)

    苹果手机sdk在哪里(苹果的sdk授权在哪里)

  • 手机qq邮箱怎么发音乐(手机qq邮箱怎么发压缩包)

    手机qq邮箱怎么发音乐(手机qq邮箱怎么发压缩包)

  • vivox23是不是双卡双待(vivox23是不是双模手机)

    vivox23是不是双卡双待(vivox23是不是双模手机)

  • oppoa9有面部识别吗(oppoa32手机有面部识别)

    oppoa9有面部识别吗(oppoa32手机有面部识别)

  • 天猫精灵怎么控制空调(天猫精灵怎么控制灯光的开关)

    天猫精灵怎么控制空调(天猫精灵怎么控制灯光的开关)

  • qq安全扫描失败(qq安全扫描失败怎么回事)

    qq安全扫描失败(qq安全扫描失败怎么回事)

  • python有几种排序的方法(python中排序)

    python有几种排序的方法(python中排序)

  • 城建税的计税依据是增值税和消费税的和吗
  • 税务知识:同期资料应包括哪些内容?
  • 课税为什么叫课税
  • 税务不受地方管吗
  • 非流动资产处置损失包括哪些
  • 零申报失败什么原因
  • 房地产公司机构
  • 企业购买预付卡怎么做账
  • 餐饮店投资入股注意事项
  • 个人开具工程款发票所得税怎么算
  • 增值税专用发票可以开电子发票吗
  • 国家金库为什么扣我银行里的钱
  • 金税盘年费怎么做账
  • 房地产公司基础设施建设费包括哪些费用
  • 金蝶怎样取消结账
  • 企业收取的延期付款利息需要征消费税和增值税
  • 对子公司投资款要交税吗
  • 怎样升级智慧中小学版本软件
  • 刚注册的有限公司可以马上注销吗
  • 贷款计入哪个会计科目
  • win10应用显示模糊发虚
  • 企业工会会费是什么意思
  • 共用水电无法取水怎么办
  • linux中断原理
  • php解析url参数
  • PHP:iconv_mime_decode_headers()的用法_iconv函数
  • oss对象储存的副本储存原则
  • wamp环境搭建的过程
  • php不使用内置函数的情况下,输出数组中重复最多的元素
  • zend framework手册
  • php提取字符串中某个字符
  • 建账初期的库存商品录入
  • php trait用法
  • vue定时调用方法
  • 成本核算流程及注意事项
  • 视听结合的景物描写
  • 补缴企业所得税的计算公式
  • 销售鸡蛋免增值税吗
  • 个税申报的本期收入是应发工资吗
  • 资产负债表有投资成本吗
  • 累计折旧当月增加当月减少
  • 辞退员工补偿金计入什么科目
  • 制作费开票属于什么编码类型
  • mongodb查询操作
  • sql server数据库设置定时任务
  • 财务报表漏报了会影响领票吗
  • 小规模未达起征点申报表怎么填
  • 税控盘维护费280账务处理
  • 年终奖都有啥
  • 非居民企业所得税税率
  • 缴纳房产税和城镇房产税
  • 成本费用总额包括营业外支出吗
  • 费用会计处理
  • 员工出差的餐费可以抵扣吗
  • 还没有开业的公司怎么样
  • MSSQL 2005/2008 日志压缩清理方法小结
  • xp系统如何配置ip
  • 六款常见的墨水
  • 系统维护的主要内容有哪些
  • xp系统换成win10
  • macbook做热点
  • win7系统的虚拟内存在哪里
  • win8怎么共享电脑
  • reg.exec
  • win10系统无法开机
  • linux怎么把网卡down
  • bat批处理的if里面双感叹号
  • unity常用代码
  • jquery怎么给文本框赋值
  • 【Android】利用Notification操作设备的通知栏
  • 用javascript
  • 怎么在手机开数据那里看用了多少流量
  • 如何知道公司所有账户
  • 国家税务总局千户集团企业名单
  • 北京市国家税务局官网手机app
  • 国家税务总局电话人工客服
  • 重芳烃闪点70,初馏点是多少
  • 购销合同印花税最新政策2023
  • 丹东银行总行电话
  • 地税局开的发票
  • 免责声明:网站部分图片文字素材来源于网络,如有侵权,请及时告知,我们会第一时间删除,谢谢! 邮箱:opceo@qq.com

    鄂ICP备2023003026号

    网站地图: 企业信息 工商信息 财税知识 网络常识 编程技术

    友情链接: 武汉网站建设