language: zh datasets: CLUECorpusSmall widget:

• text: "米饭是一种用稻米与水煮成的食物"

中文GPT2模型系列

模型描述

本系列GPT2模型中，除GPT2-xlarge外，均由UER-py预训练实现（技术细节详见论文）。GPT2-xlarge模型则通过TencentPretrain框架预训练（技术细节见论文），该框架继承UER-py支持十亿参数以上模型预训练的能力，并扩展为多模态预训练框架。其余模型也可通过TencentPretrain进行预训练。

这些模型专用于中文文本生成任务。您可以通过以下两种方式获取：

1. UER-py模型库
2. HuggingFace平台（链接如下）：

注：6层模型因采用distilgpt2架构且训练过程未使用大模型监督，故命名为GPT2-distil。

使用示例

以下以GPT2-distil为例展示文本生成功能：

>>> from transformers import BertTokenizer, GPT2LMHeadModel, TextGenerationPipeline
>>> tokenizer = BertTokenizer.from_pretrained("uer/gpt2-distil-chinese-cluecorpussmall")
>>> model = GPT2LMHeadModel.from_pretrained("uer/gpt2-distil-chinese-cluecorpussmall")
>>> text_generator = TextGenerationPipeline(model, tokenizer)   
>>> text_generator("这是很久之前的事情了", max_length=100, do_sample=True)
    [{'generated_text': '这是很久之前的事情了 。 我 现 在 想 起 来 就 让 自 己 很 伤 心 ， 很 失 望 。 我 现 在 想 到 ， 我 觉 得 大 多 数 人 的 生 活 比 我 的 生 命 还 要 重 要 ， 对 一 些 事 情 的 看 法 ， 对 一 些 人 的 看 法 ， 都 是 在 发 泄 。 但 是 ， 我 们 的 生 活 是 需 要 一 个 信 用 体 系 的 。 我 不 知'}]

训练数据

使用CLUECorpusSmall作为训练语料。

训练流程

GPT2-xlarge模型通过TencentPretrain预训练，其余模型通过UER-py在腾讯云完成。训练分为两个阶段：

1. 序列长度128，训练1,000,000步
2. 序列长度1024，追加训练250,000步

以UER-py训练的GPT2-distil为例：

第一阶段：

预处理与训练命令（详见原文）...

第二阶段：

长序列预处理与训练命令（详见原文）...

最终转换为Huggingface格式：

python3 scripts/convert_gpt2_from_uer_to_huggingface.py --input_model_path models/cluecorpussmall_gpt2_distil_seq1024_model.bin-250000 \
                                                        --output_model_path pytorch_model.bin \
                                                        --layers_num 6

GPT2-xlarge使用TencentPretrain训练：

深度加速训练与格式转换命令（详见原文）...

文献引用

@article{radford2019language,
  title={Language Models are Unsupervised Multitask Learners},
  author={Radford, Alec and Wu, Jeff and Child, Rewon and Luan, David and Amodei, Dario and Sutskever, Ilya},
  year={2019}
}

@article{zhao2019uer,
  title={UER: An Open-Source Toolkit for Pre-training Models},
  author={Zhao, Zhe and Chen, Hui and Zhang, Jinbin and Zhao, Xin and Liu, Tao and Lu, Wei and Chen, Xi and Deng, Haotang and Ju, Qi and Du, Xiaoyong},
  journal={EMNLP-IJCNLP 2019},
  pages={241},
  year={2019}
}

@article{zhao2023tencentpretrain,
  title={TencentPretrain: A Scalable and Flexible Toolkit for Pre-training Models of Different Modalities},
  author={Zhao, Zhe and Li, Yudong and Hou, Cheng and Zhao, Jing and others},
  journal={ACL 2023},
  pages={217},
  year={2023}