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)

  • 税务申报后就可以清盘了吗
  • 开外经证需要预缴税几个点
  • 企业在异地设立的办事处撤销了,人员咋办
  • 印花税权利许可证照免税吗
  • 小微企业税收优惠政策2023年
  • 长期股权投资在哪个报表里
  • 小规模纳税人滚动累计
  • 银行存款余额调节表编制
  • 贴现率和折现率相等吗
  • 取得抵债资产的相关税费计入
  • 机关单位工会经费的来源包括
  • 金税三期个人所得税扣缴系统手机版
  • 电子发票可以打多少行
  • 汇总纳税总机构企业所得税分摊比例备案
  • 普通合伙企业分配利润
  • 增值税专用发票怎么开
  • 代扣代缴税款的完税凭证抵扣期限
  • 惠普笔记本电源适配器
  • 股东分红的会计科目怎么做
  • linux常用命令make
  • 华硕win10笔记本如何恢复出厂设置
  • 筹建期间业务招待费的处理
  • hipsdaemon.exe是什么
  • umi ts
  • 世界十大销量书
  • 销售固定资产利润率
  • 增值税普通发票和电子普通发票的区别
  • php如何实现
  • 企业租赁不动产税率
  • 印刷厂成本核算
  • 金阁寺屋顶
  • 支付税控服务费的账务处理
  • php引用文件的方法
  • 投资中间人要担什么责任
  • 企业所有的支出是什么
  • Delete `␍` 最简单最有效的解决方法和解释(VScode)
  • chatto
  • linux如何使用
  • php实现当前页面的快捷键
  • 单位人才账户如何开立
  • 招待费进项转出填表二哪里
  • 出口业务的会计处理
  • 处置固定资产净收益属于利得吗
  • 总公司签合同开票分公司做业务分公司如何确认收入?
  • 土地使用发票
  • 上个月没有清卡在其他地区税务
  • 想买微波炉
  • 地方水利建设基金减免政策2023
  • 购买商品的会计科目
  • 企业代扣代缴个税
  • 收到外币收入怎么处理
  • 现金比率升高
  • 电费已支付未充值
  • 外贸出口企业退税查不到进项发票
  • 企业最应避免的外部环境和内部条件组合是
  • 无形资产及其他资产包括哪些科目
  • 外购货物用于在建工程分录
  • 药品进销差价科目明细
  • 科目汇总表里面要填累计折旧吗
  • 什么是当期损益和其他综合收益
  • 实收资本包括哪些项目
  • select * from sp_who的解决方案
  • 世界杯猜测
  • MSSQL 数据库同步教程
  • 预览版win10
  • 优化计算
  • linux,windows
  • centos安装rclone
  • 如何设置win10默认程序
  • win7网络正常但是所有浏览器网页打不开
  • linux操作系统怎么装
  • 搭建android开发环境需要用到哪些工具
  • windows更新
  • 如何使用灭火器
  • cocos2dx4.0入门
  • jquery使用css方法添加图片边框视频教学
  • 怎么查其他公司的财务报表
  • 收到虚开增值税专用发票怎么处理
  • 泉州企业医保哪里缴费
  • 丹阳税务局一分局领导
  • 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