Bart Large Chinese

🚀 中文BART-Large

中文BART-Large是一个用于文本生成任务的模型，它在中文文本处理方面具有出色的表现。该模型的更新版本在词汇表和位置嵌入等方面进行了改进，提升了模型的性能和适用性。

✨ 主要特性

模型更新

• 词汇表更新：2022年12月30日发布的更新版本中，用从训练数据构建的更大的51271大小的词汇表替换了旧的BERT词汇表。具体操作包括：添加了6800多个缺失的中文字符（大部分为繁体字）；移除了冗余的标记（例如带有##前缀的中文字符标记）；添加了一些英文标记以减少未登录词（OOV）。
• 位置嵌入扩展：将最大位置嵌入max_position_embeddings从512扩展到1024。

模型初始化与训练

• 新版本模型使用旧版本的检查点进行初始化，并进行词汇对齐。旧检查点中找到的标记嵌入被复制，其他新添加的参数随机初始化。
• 进一步对新的CPT和中文BART进行了50K步的训练，批次大小为2048，最大序列长度为1024，峰值学习率为2e - 5，热身比率为0.1。

性能对比

结果显示，更新后的模型与之前的检查点相比保持了相当的性能。不过，仍有一些情况下更新后的模型略逊于之前的模型，原因如下：

1. 额外的几步训练并未带来显著的性能提升。
2. 一些下游任务不受新添加标记和更长编码序列的影响，但对微调超参数敏感。

📚 详细文档

模型描述

这是中文BART-Large的一个实现。相关论文为CPT: A Pre-Trained Unbalanced Transformer for Both Chinese Language Understanding and Generation，作者包括Yunfan Shao、Zhichao Geng、Yitao Liu、Junqi Dai、Fei Yang、Li Zhe、Hujun Bao、Xipeng Qiu。 Github链接：https://github.com/fastnlp/CPT

使用说明

>>> from transformers import BertTokenizer, BartForConditionalGeneration, Text2TextGenerationPipeline
>>> tokenizer = BertTokenizer.from_pretrained("fnlp/bart-large-chinese")
>>> model = BartForConditionalGeneration.from_pretrained("fnlp/bart-large-chinese")
>>> text2text_generator = Text2TextGenerationPipeline(model, tokenizer)  
>>> text2text_generator("北京是[MASK]的首都", max_length=50, do_sample=False)
    [{'generated_text': '北 京 是 中 华 人 民 共 和 国 的 首 都'}]

⚠️ 重要提示

请使用BertTokenizer处理模型词汇表，请勿使用原始的BartTokenizer。

要使用更新后的模型，请更新modeling_cpt.py（新版本下载点击此处）和词汇表（刷新缓存）。

📄 许可证

引用信息

@article{shao2021cpt,
  title={CPT: A Pre-Trained Unbalanced Transformer for Both Chinese Language Understanding and Generation}, 
  author={Yunfan Shao and Zhichao Geng and Yitao Liu and Junqi Dai and Fei Yang and Li Zhe and Hujun Bao and Xipeng Qiu},
  journal={arXiv preprint arXiv:2109.05729},
  year={2021}
}