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（除GPT2-xlarge外）均由UER-py预训练，相关论文见此处。GPT2-xlarge模型由TencentPretrain预训练，该框架继承UER-py支持十亿参数以上模型，并扩展为多模态预训练框架（论文见此处）。其他模型也可通过TencentPretrain进行预训练。

这些模型用于生成中文文本。您可以通过以下链接从HuggingFace下载，或访问UER-py模型库：

注：6层模型参照distilgpt2配置，其预训练不涉及大模型监督，故称为GPT2-distil。

使用示例

通过文本生成管道直接使用（以GPT2-distil为例）：

>>> 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作为训练数据。

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：先用128序列长度训练1,000,000步，再用1024序列长度训练250,000步。

以UER-py预训练的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：

深度速度训练命令与权重转换（详见原文）...

参考文献

@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}