Wstępnie wytrenowane modele do generowania tekstu

Uczenie głębokie dla tekstu z PyTorch

Shubham Jain

Instructor

Dlaczego modele wstępnie wytrenowane?

Zalety

Wytrenowane na rozległych zbiorach danych
Wysoka skuteczność w różnych zadaniach generowania tekstu
- Analiza sentymentu
- Uzupełnianie tekstu
- Tłumaczenie języków

Ograniczenia

Wysoki koszt obliczeniowy trenowania
Duże wymagania dotyczące pamięci
Ograniczone możliwości dostosowywania

Wstępnie wytrenowane modele w PyTorch

Hugging Face Transformers: biblioteka modeli wstępnie wytrenowanych
Modele wstępnie wytrenowane:
- GPT-2
- T5

Logo HuggingFace

GPT2Tokenizer i GPT2LMHeadModel – omówienie

GPT2LMHeadModel:

Implementacja GPT-2 w HuggingFace
Dostosowany do generowania tekstu

GPT2Tokenizer:

Przekształca tekst na tokeny
Obsługuje tokenizację podwyrazową: 'larger' może stać się ['large', 'r']

GPT-2: implementacja generowania tekstu

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: implementacja generowania tekstu II

output = model.generate(

                                                           )

GPT-2: implementacja generowania tekstu II

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

                                                           )

GPT-2: implementacja generowania tekstu II

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

                                                           )

GPT-2: implementacja generowania tekstu II

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

GPT-2: implementacja generowania tekstu 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: wynik generowania tekstu

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: implementacja tłumaczenia języków

t5-small: Text-to-Text Transfer Transformer
Wstępnie wytrenowany model do tłumaczenia języków

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: wynik tłumaczenia języków

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

print("Generated text:",generated_text)

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

Wybór odpowiedniego modelu wstępnie wytrenowanego

Dostępnych jest wiele modeli!

GPT-2: Generowanie tekstu
DistilGPT-2 (mniejsza wersja GPT-2): Generowanie tekstu
BERT: Klasyfikacja tekstu, odpowiadanie na pytania
T5 (t5-small to mniejsza wersja T5): Tłumaczenie języków, streszczanie

Dostępne w HuggingFace i innych repozytoriach

Czas na ćwiczenia!

Uczenie głębokie dla tekstu z PyTorch