Voorgetrainde modellen voor tekstgeneratie

Deep Learning voor tekst met PyTorch

Shubham Jain

Instructor

Waarom voorgetrainde modellen?

Voordelen

Getraind op zeer grote datasets
Hoge prestaties bij diverse tekstgeneratietaken
- Sentimentanalyse
- Tekstaanvulling
- Vertalen

Beperkingen

Hoge rekenkosten voor training
Veel opslag vereist
Beperkte aanpasbaarheid

Voorgetrainde modellen in PyTorch

Hugging Face Transformers: bibliotheek met voorgetrainde modellen
Voorgetrainde modellen:
- GPT-2
- T5

HuggingFace-logo

GPT-2-tokenizer en -model begrijpen

GPT2LMHeadModel:

HuggingFace’s variant van GPT-2
Gericht op tekstgeneratie

GPT2Tokenizer:

Zet tekst om naar tokens
Doet subwoord-tokenization: 'larger' kan ['large', 'r'] worden

GPT-2: implementatie tekstgeneratie

import torch
from transformers import GPT2Tokenizer, GPT2LMHeadModel

tokenizer = GPT2Tokenizer.from_pretrained('gpt2')
model = GPT2LMHeadModel.from_pretrained('gpt2')

seed_text = "Once upon a time"

input_ids = tokenizer.encode(seed_text, return_tensors='pt')

GPT-2: implementatie tekstgeneratie II

output = model.generate(

                                                           )

GPT-2: implementatie tekstgeneratie II

output = model.generate(input_ids, max_length=40, 

                                                           )

GPT-2: implementatie tekstgeneratie II

output = model.generate(input_ids, max_length=40, temperature=0.7,     

                                                           )

GPT-2: implementatie tekstgeneratie II

output = model.generate(input_ids, max_length=40, temperature=0.7,     
                        no_repeat_ngram_size=2, 
                                                           )

GPT-2: implementatie tekstgeneratie II

output = model.generate(input_ids, max_length=40, temperature=0.7,     
                        no_repeat_ngram_size=2, 
                        pad_token_id=tokenizer.eos_token_id)

GPT-2: uitvoer tekstgeneratie

generated_text = tokenizer.decode(output[0], skip_special_tokens=True)
print(generated_text)

Generated Text: Once upon a time, the world was a place of great beauty
and great danger. The world of the gods was the place where the great gods were 
born, and where they were to live.

T5: implementatie vertalen

t5-small: Text-to-Text Transfer Transformer
Voorgetraind model voor vertalen

import torch
from transformers import T5Tokenizer, T5ForConditionalGeneration

tokenizer = T5Tokenizer.from_pretrained("t5-small")
model = T5ForConditionalGeneration.from_pretrained("t5-small")

input_prompt = "translate English to French: 'Hello, how are you?'"

input_ids = tokenizer.encode(input_prompt, return_tensors="pt")

output = model.generate(input_ids, max_length=100)

T5: vertaaluitvoer

generated_text = tokenizer.decode(output[0], skip_special_tokens=True)

print("Generated text:",generated_text)

Generated text:
"Bonjour, comment êtes-vous?"

Het juiste voorgetrainde model kiezen

Er zijn er veel!

GPT-2: Tekstgeneratie
DistilGPT-2 (kleinere versie van GPT-2): Tekstgeneratie
BERT: Tekstclassificatie, vraagbeantwoording
T5 (t5-small is de kleinere versie): Vertalen, samenvatten

Vind ze op HuggingFace en andere repositories

Laten we oefenen!

Deep Learning voor tekst met PyTorch