Předtrénované modely pro generování textu

Deep Learning for Text with PyTorch

Shubham Jain

Instructor

Proč předtrénované modely?

Výhody

Trénováno na rozsáhlých datasetech
Vysoký výkon při různých úlohách generování textu
- Analýza sentimentu
- Doplňování textu
- Překlad jazyka

Omezení

Vysoké výpočetní nároky na trénování
Velké nároky na úložiště
Omezené možnosti přizpůsobení

Předtrénované modely v PyTorch

Hugging Face Transformers: knihovna předtrénovaných modelů
Předtrénované modely:
- GPT-2
- T5

Logo HuggingFace

GPT-2: tokenizer a model

GPT2LMHeadModel:

Implementace GPT-2 v HuggingFace
Určeno pro generování textu

GPT2Tokenizer:

Převádí text na tokeny
Zpracovává tokenizaci podslova: 'larger' může být ['large', 'r']

GPT-2: implementace generování textu

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: implementace generování textu II

output = model.generate(

                                                           )

GPT-2: implementace generování textu II

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

                                                           )

GPT-2: implementace generování textu II

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

                                                           )

GPT-2: implementace generování textu II

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

GPT-2: implementace generování textu 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: výstup generování textu

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: implementace překladu jazyka

t5-small: Text-to-Text Transfer Transformer
Předtrénovaný model pro překlad jazyka

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: výstup překladu jazyka

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

print("Generated text:",generated_text)

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

Výběr správného předtrénovaného modelu

Existuje jich mnoho!

GPT-2: Generování textu
DistilGPT-2 (menší verze GPT-2): Generování textu
BERT: Klasifikace textu, odpovídání na otázky
T5 (t5-small je menší verze T5): Překlad jazyka, sumarizace

Najdete je na HuggingFace a v dalších repozitářích

Pojďme si procvičit!

Deep Learning for Text with PyTorch