语言：中文
组件：

• 文本: "[CLS]当是时"

中国古代GPT2模型

模型描述

该模型由UER-py预训练，相关论文见此处。此外，模型也可通过腾讯预训练框架TencentPretrain进行预训练，该框架继承UER-py以支持十亿参数以上模型，并扩展为多模态预训练框架，论文详见此处。

本模型专用于生成文言文文本。您可通过以下途径获取模型：

• UER-py模型库页面
• GPT2-Chinese GitHub页面
• HuggingFace链接gpt2-chinese-ancient

使用方式

可直接通过文本生成管道调用模型：

>>> from transformers import BertTokenizer, GPT2LMHeadModel, TextGenerationPipeline
>>> tokenizer = BertTokenizer.from_pretrained("uer/gpt2-chinese-ancient")
>>> model = GPT2LMHeadModel.from_pretrained("uer/gpt2-chinese-ancient")
>>> text_generator = TextGenerationPipeline(model, tokenizer)   
>>> text_generator("当是时", max_length=100, do_sample=True)
    [{'generated_text': '[CLS]当是时 所 议 者 不 为 无 据 ， 况 亦 在 之 列 乎 ？ 然 则 今 日 之 事 ， 所 当 思 者 在 何 ？ 欲 求 国 是 于 天 下 ， 莫 在 于 得 人 。 臣 以 为 求 人 之 法 ， 不 在 多 用 官 一 途 。 诚 使 得 才 者 众 ， 人 才 者 优 ， 则 治 所 当 得 ， 而 不 事 于 官 者 ， 人 才 乃 其 常 也 。 所 当 讲 者'}]

训练数据

训练数据包含300万条文言文文本，源自daizhigev20语料库。由于部分古籍无标点，我们采用了BNU ICIP实验室开发的古籍标点系统进行处理。

训练流程

模型在腾讯云上通过UER-py预训练完成。训练参数如下：

• 总步数：50万步
• 序列长度：320
• 扩展词汇表处理低频词（出现次数≥100的古汉语单字纳入词表）

预处理命令：

python3 preprocess.py --corpus_path corpora/ancient_chinese.txt \
                      --vocab_path models/google_zh_ancient_vocab.txt \
                      --dataset_path ancient_chinese_dataset.pt --processes_num 16 \
                      --seq_length 320 --data_processor lm

训练命令：

python3 pretrain.py --dataset_path ancient_chinese_dataset.pt \
                    --vocab_path models/google_zh_ancient_vocab.txt \
                    --config_path models/bert_base_config.json \
                    --output_model_path models/ancient_chinese_gpt2_model.bin \
                    --world_size 8 --gpu_ranks 0 1 2 3 4 5 6 7 \
                    --total_steps 500000 --save_checkpoint_steps 100000 --report_steps 10000 \
                    --learning_rate 5e-4 --batch_size 32

格式转换命令（转为Huggingface格式）：

python3 scripts/convert_gpt2_from_uer_to_huggingface.py --input_model_path models/ancient_chinese_gpt2_model.bin-500000 \
                                                        --output_model_path pytorch_model.bin \
                                                        --layers_num 12

引用文献

@article{radford2019language,
  title={语言模型是无监督多任务学习器},
  author={Radford, Alec and Wu, Jeff and Child, Rewon and Luan, David and Amodei, Dario and Sutskever, Ilya},
  year={2019}
}

@article{zhao2019uer,
  title={UER：开源预训练模型工具包},
  author={赵哲、陈辉、张金斌、赵鑫、刘涛、卢伟、陈曦、邓浩堂、巨琦、杜晓勇},
  journal={EMNLP-IJCNLP 2019},
  pages={241},
  year={2019}
}

@article{zhao2023tencentpretrain,
  title={TencentPretrain：支持多模态的大规模预训练工具包},
  author={赵哲、李雨东、侯成、赵静等},
  journal={ACL 2023},
  pages={217},
  year={2023}
}