GPT2
Pretrained Korean GPT2
语言模型是无监督的多任务学习者
该项目是OpenAI GPT-2模型的Pytorch实施。它提供模型培训，句子产生和指标可视化。它被认为既可以理解又优化。我们设计的代码是可理解的。另外，我们使用一些技术来提高性能。
在培训GPT-2模型之前，应准备语料库数据集。我们建议通过使用Expanda来构建自己的语料库。取而代之的是，培训模块需要使用其词汇文件的令牌化培训和评估数据集。
准备数据集后，您可以使用以下方式训练GPT-2：
$ python -m gpt2 train --train_corpus build/corpus.train.txt
--eval_corpus build/corpus.test.txt
--vocab_path build/vocab.txt
--save_checkpoint_path ckpt-gpt2.pth
--save_model_path gpt2-pretrained.pth
--batch_train 128
--batch_eval 128
--seq_len 64
--total_steps 1000000
--eval_steps 500
--save_steps 5000
要从上一个检查点文件中恢复培训，请使用--from_checkpoint [last checkpoint file]选项。如果要使用多个GPU训练GPT-2，请使用--gpus [number of gpus]选项。
命令行使用的细节如下：
usage: gpt2 train [-h] --train_corpus TRAIN_CORPUS --eval_corpus EVAL_CORPUS
--vocab_path VOCAB_PATH [--seq_len SEQ_LEN]
[--layers LAYERS] [--heads HEADS] [--dims DIMS]
[--rate RATE] [--dropout DROPOUT]
[--batch_train BATCH_TRAIN] [--batch_eval BATCH_EVAL]
[--base_lr BASE_LR] [--wd_rate WD_RATE]
[--total_steps TOTAL_STEPS] [--eval_steps EVAL_STEPS]
[--save_steps SAVE_STEPS]
[--save_model_path SAVE_MODEL_PATH]
[--save_checkpoint_path SAVE_CHECKPOINT_PATH]
[--from_checkpoint FROM_CHECKPOINT]
[--from_pretrained FROM_PRETRAINED] [--use_amp]
[--use_grad_ckpt] [--gpus GPUS]
optional arguments:
-h, --help show this help message and exit
Corpus and vocabulary:
--train_corpus TRAIN_CORPUS
training corpus file path
--eval_corpus EVAL_CORPUS
evaluation corpus file path
--vocab_path VOCAB_PATH
vocabulary file path
Model configurations:
--seq_len SEQ_LEN maximum sequence length
--layers LAYERS number of transformer layers
--heads HEADS number of multi-heads in attention layer
--dims DIMS dimension of representation in each layer
--rate RATE increase rate of dimensionality in bottleneck
--dropout DROPOUT probability that each element is dropped
Training and evaluation:
--batch_train BATCH_TRAIN
number of training batch size
--batch_eval BATCH_EVAL
number of evaluation batch size
--base_lr BASE_LR default learning rate
--wd_rate WD_RATE weight decay rate
--total_steps TOTAL_STEPS
number of total training steps
--eval_steps EVAL_STEPS
period to evaluate model and record metrics
--save_steps SAVE_STEPS
period to save training state to checkpoint
Saving and restoring:
--save_model_path SAVE_MODEL_PATH
save trained model weights to the file
--save_checkpoint_path SAVE_CHECKPOINT_PATH
save training state to the checkpoint file
--from_checkpoint FROM_CHECKPOINT
load last training state from checkpoint file
--from_pretrained FROM_PRETRAINED
initialize parameters from pretrained model
Extensions:
--use_amp use automatic mixed-precision in training
--use_grad_ckpt use gradient checkpointing in transformer layers
--gpus GPUS number of gpu devices to use in training
训练GPT-2后，您可以在交互式模式下使用训练有素的模型生成句子。
$ python -m gpt2 generate --vocab_path build/vocab.txt
--model_path model.pth
--seq_len 64
--nucleus_prob 0.8
命令行使用的细节如下：
usage: gpt2 generate [-h] --vocab_path VOCAB_PATH --model MODEL
[--seq_len SEQ_LEN] [--layers LAYERS] [--heads HEADS]
[--dims DIMS] [--rate RATE] [--top_p TOP_P] [--use_gpu]
optional arguments:
-h, --help show this help message and exit
--vocab_path VOCAB_PATH
vocabulary file path
--model_path MODEL_PATH
trained GPT-2 model file path
Model configurations:
--seq_len SEQ_LEN maximum sequence length
--layers LAYERS number of transformer layers
--heads HEADS number of multi-heads in attention layer
--dims DIMS dimension of representation in each layer
--rate RATE increase rate of dimensionality in bottleneck
Generating options:
--nucleus_prob NUCLEUS_PROB
probability threshold for nucleus sampling
--use_gpu use gpu device in inferencing
估计训练模型的性能的一种方法是通过评估数据集计算客观指标，这在训练阶段未使用。
$ python -m gpt2 evaluate --model_path model.pth --eval_corpus corpus.test.txt --vocab_path vocab.txt
此外，您还可以通过可视化记录的指标来分析培训损失图。
$ python -m gpt2 visualize --model_path model.pth --interactive
示例图就是波纹管：
在训练期间，您可以使用Nvidia Apex使用Fused Cuda层和混合精液优化。选项--use_amp在训练中启用自动混合精度。在使用这些性能提升之前，您应该按照存储库来安装NVIDIA APEX库，或运行BelOWS：
$ git clone https://github.com/NVIDIA/apex
$ cd apex
$ pip install -v --no-cache-dir --global-option="--cpp_ext" --global-option="--cuda_ext" ./
如果您无法安装库或GPU设备不支持快速的混合精液训练（确切地说，GPU应通过张量核心支持混合精液加速），则可以在单精度模式下训练该模型。混合精液培训是一种选择。在这种情况下，您仍然可以使用融合的CUDA层，例如Adam Optimizer和训练中的层归一化。
您可以在Google Colab中玩受过训练的GPT2模型！以上笔记本包含文本生成和指标评估。您需要将受过训练的模型，词汇文件和评估数据集上传到Google Cloud Storage。
对于对GPT2韩国兴趣感兴趣的人，我们重写了上述笔记本，以提供gpt2-ko-302M型号的案例，尤其是该型号，该模型接受了大约5.04b的韩国文档培训。您可以在此笔记本中播放演示。
该项目已获得Apache-2.0许可。
