GPT2-丹麦语-维基百科

一个基于Flax CLM流水线训练的丹麦语GPT2风格模型，使用wiki40b数据集的丹麦语部分训练而成。

https://huggingface.co/datasets/wiki40b

模型系列

本模型是Huggingface Flax/Jax挑战赛期间使用Flax Jax在TPU上训练的系列模型之一。

GPT模型

瑞典语GPT

https://huggingface.co/birgermoell/swedish-gpt/

瑞典语维基GPT

https://huggingface.co/flax-community/swe-gpt-wiki

北欧维基GPT

https://huggingface.co/flax-community/nordic-gpt-wiki

丹麦语维基GPT

https://huggingface.co/flax-community/dansk-gpt-wiki

挪威语维基GPT

https://huggingface.co/flax-community/norsk-gpt-wiki

Roberta模型

北欧维基Roberta

https://huggingface.co/flax-community/nordic-roberta-wiki

瑞典语维基Oscar Roberta

https://huggingface.co/flax-community/swe-roberta-wiki-oscar

瑞典-斯堪的纳维亚Roberta

https://huggingface.co/birgermoell/roberta-swedish-scandi

瑞典语Roberta

https://huggingface.co/birgermoell/roberta-swedish

瑞典语T5模型

https://huggingface.co/birgermoell/t5-base-swedish

数据清洗与预处理

使用以下脚本进行数据清洗和预处理。请确保安装beam_runner的依赖项以使数据集正常工作。

from datasets import load_dataset
def load_and_clean_wiki():
    dataset = load_dataset('wiki40b', 'da', beam_runner='DirectRunner', split="train")
    #dataset = load_dataset('wiki40b', 'sv', beam_runner='DirectRunner')
    dataset = dataset.remove_columns(['wikidata_id', 'version_id'])
    filtered_dataset = dataset.map(filter_wikipedia)
    # filtered_dataset[:3]
    # print(filtered_dataset[:3])
    return filtered_dataset

def filter_wikipedia(batch):
    batch["text"] = " ".join(batch["text"].split("\
_START_SECTION_\
"))
    batch["text"] = " ".join(batch["text"].split("\
_START_ARTICLE_\
"))
    batch["text"] = " ".join(batch["text"].split("\
_START_ARTICLE_\
"))
    batch["text"] = " ".join(batch["text"].split("\
_START_PARAGRAPH_\
"))
    batch["text"] = " ".join(batch["text"].split("_NEWLINE_"))
    batch["text"] = " ".join(batch["text"].split("\xa0"))
    return batch

训练脚本

使用以下训练脚本训练模型。

./run_clm_flax.py     --output_dir="${MODEL_DIR}"     --model_type="gpt2"     --config_name="${MODEL_DIR}"     --tokenizer_name="${MODEL_DIR}"     --dataset_name="wiki40b"     --dataset_config_name="da"     --do_train --do_eval     --block_size="512"     --per_device_train_batch_size="64"     --per_device_eval_batch_size="64"     --learning_rate="5e-3" --warmup_steps="1000"     --adam_beta1="0.9" --adam_beta2="0.98" --weight_decay="0.01"     --overwrite_output_dir     --num_train_epochs="20"     --logging_steps="500"     --save_steps="1000"     --eval_steps="2500"     --push_to_hub