希伯来语-GPT-Neo小型模型

基于EleutherAI的gpt-neo开发的希伯来语文本生成模型。该模型通过TPU研究云计划提供的TPUv3-8进行训练。

数据集

1. 多种希伯来语语料库集合 - 我已将数据在此处公开

2. oscar/unshuffled_deduplicated_he - 主页 | 数据集链接

开放超大规模爬取ALMAnaCH语料库是通过goclassy架构对Common Crawl语料库进行语言分类和过滤获得的巨型多语言语料库。

3. CC100-希伯来语数据集 主页

由Conneau和Wenzek等人于2020年创建，该数据集是从CC-Net存储库中2018年1-12月的Commoncrawl快照处理的100个单语语料库之一。该语料库大小为6.1GB，使用希伯来语。

训练配置

详见此处

使用方式

Google Colab笔记本

访问此处

简单使用示例代码

!pip install tokenizers==0.10.2 transformers==4.6.0

from transformers import AutoTokenizer, AutoModelForCausalLM
  
tokenizer = AutoTokenizer.from_pretrained("Norod78/hebrew-gpt_neo-small")
model = AutoModelForCausalLM.from_pretrained("Norod78/hebrew-gpt_neo-small", pad_token_id=tokenizer.eos_token_id)

prompt_text = "אני אוהב שוקולד ועוגות"
max_len = 512
sample_output_num = 3
seed = 1000

import numpy as np
import torch

device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
n_gpu = 0 if torch.cuda.is_available()==False else torch.cuda.device_count()

print(f"device: {device}, n_gpu: {n_gpu}")

np.random.seed(seed)
torch.manual_seed(seed)
if n_gpu > 0:
    torch.cuda.manual_seed_all(seed)

model.to(device)

encoded_prompt = tokenizer.encode(
    prompt_text, add_special_tokens=False, return_tensors="pt")

encoded_prompt = encoded_prompt.to(device)

if encoded_prompt.size()[-1] == 0:
        input_ids = None
else:
        input_ids = encoded_prompt

print("input_ids = " + str(input_ids))

if input_ids != None:
  max_len += len(encoded_prompt[0])
  if max_len > 2048:
    max_len = 2048

print("Updated max_len = " + str(max_len))

stop_token = "<|endoftext|>"
new_lines = "\n\n\n"

sample_outputs = model.generate(
    input_ids,
    do_sample=True, 
    max_length=max_len, 
    top_k=50, 
    top_p=0.95, 
    num_return_sequences=sample_output_num
)

print(100 * '-' + "\n\t\tOutput\n" + 100 * '-')
for i, sample_output in enumerate(sample_outputs):

  text = tokenizer.decode(sample_output, skip_special_tokens=True)
  
  # 移除停止标记后的所有文本
  text = text[: text.find(stop_token) if stop_token else None]

  # 移除三个换行符后的所有文本
  text = text[: text.find(new_lines) if new_lines else None]

  print("\n{}: {}".format(i, text))
  print("\n" + 100 * '-')