Förtränade modeller för textgenerering

Djupinlärning för text med PyTorch

Shubham Jain

Instructor

Varför förtränade modeller?

Fördelar

Tränade på omfattande datamängder
Hög prestanda för olika textgenereringsuppgifter
- Sentimentanalys
- Textkomplettering
- Språköversättning

Begränsningar

Hög beräkningskostnad för träning
Stora lagringskrav
Begränsade anpassningsmöjligheter

Förtränade modeller i PyTorch

Hugging Face Transformers: bibliotek med förtränade modeller
Förtränade modeller:
- GPT-2
- T5

HuggingFace-logotyp

GPT-2: tokeniserare och modell

GPT2LMHeadModel:

HuggingFaces implementation av GPT-2
Anpassad för textgenerering

GPT2Tokenizer:

Omvandlar text till tokens
Hanterar delordstokenisering: 'larger' kan bli ['large', 'r']

GPT-2: implementering av textgenerering

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: implementering av textgenerering II

output = model.generate(

                                                           )

GPT-2: implementering av textgenerering II

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

                                                           )

GPT-2: implementering av textgenerering II

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

                                                           )

GPT-2: implementering av textgenerering II

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

GPT-2: implementering av textgenerering 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: utdata från textgenerering

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: implementering av språköversättning

t5-small: Text-to-Text Transfer Transformer
Förtränad modell för språköversättning

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: utdata från språköversättning

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

print("Generated text:",generated_text)

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

Välja rätt förtränad modell

Det finns många!

GPT-2: Textgenerering
DistilGPT-2 (mindre version av GPT-2): Textgenerering
BERT: Textklassificering, frågesvar
T5 (t5-small är den mindre versionen av T5): Språköversättning, sammanfattning

Hitta dem på HuggingFace och andra arkiv

Nu kör vi en övning!

Djupinlärning för text med PyTorch