语言: 中文
数据集: CLUECorpusSmall
示例输入:

• 文本: "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预训练实现，技术细节详见论文。GPT2-xlarge模型则由TencentPretrain预训练完成，该框架继承UER-py并支持十亿参数级模型，扩展为多模态预训练框架（详见论文）。其他模型亦可使用TencentPretrain进行预训练。

这些模型专用于中文文本生成。您可以通过以下方式获取：

• UER-py模型库
• HuggingFace下载链接：

注：6层模型参照distilgpt2架构设计，其预训练过程不涉及大模型监督。

使用示例

通过文本生成管道直接调用（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作为训练语料。

训练流程

GPT2-xlarge模型通过TencentPretrain在腾讯云完成预训练，其余模型使用UER-py。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

UER-py模型训练（以GPT2-distil为例）

第一阶段：

数据预处理：
python3 preprocess.py --corpus_path corpora/cluecorpussmall.txt \
                     --vocab_path models/google_zh_vocab.txt \
                     --dataset_path cluecorpussmall_lm_seq128_dataset.pt \
                     --seq_length 128 --processes_num 32 --data_processor lm

模型训练：
python3 pretrain.py --dataset_path cluecorpussmall_lm_seq128_dataset.pt \
                   --vocab_path models/google_zh_vocab.txt \
                   --config_path models/gpt2/distil_config.json \
                   --output_model_path models/cluecorpussmall_gpt2_distil_seq128_model.bin \
                   --world_size 8 --gpu_ranks 0 1 2 3 4 5 6 7 \
                   --total_steps 1000000 --save_checkpoint_steps 100000 --report_steps 50000 \
                   --learning_rate 1e-4 --batch_size 64

第二阶段：

数据预处理：
python3 preprocess.py --corpus_path corpora/cluecorpussmall.txt \
                     --vocab_path models/google_zh_vocab.txt \
                     --dataset_path cluecorpussmall_lm_seq1024_dataset.pt \
                     --seq_length 1024 --processes_num 32 --data_processor lm

模型训练：
python3 pretrain.py --dataset_path cluecorpussmall_lm_seq1024_dataset.pt \
                   --vocab_path models/google_zh_vocab.txt \
                   --pretrained_model_path models/cluecorpussmall_gpt2_distil_seq128_model.bin-1000000 \
                   --config_path models/gpt2/distil_config.json \
                   --output_model_path models/cluecorpussmall_gpt2_distil_seq1024_model.bin \
                   --world_size 8 --gpu_ranks 0 1 2 3 4 5 6 7 \
                   --total_steps 250000 --save_checkpoint_steps 50000 --report_steps 10000 \
                   --learning_rate 5e-5 --batch_size 16

格式转换：

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训练流程

第一阶段：

数据预处理：
python3 preprocess.py --corpus_path corpora/cluecorpussmall.txt \
                     --vocab_path models/google_zh_vocab.txt \
                     --dataset_path cluecorpussmall_lm_seq128_dataset.pt \
                     --seq_length 128 --processes_num 32 --data_processor lm

模型训练：
deepspeed pretrain.py --deepspeed --deepspeed_config models/deepspeed_config.json \
                     --dataset_path corpora/cluecorpussmall_lm_seq128_dataset.pt \
                     --vocab_path models/google_zh_vocab.txt \
                     --config_path models/gpt2/xlarge_config.json \
                     --output_model_path models/cluecorpussmall_gpt2_xlarge_seq128_model \
                     --world_size 8 --batch_size 64 \
                     --total_steps 1000000 --save_checkpoint_steps 100000 --report_steps 50000 \
                     --deepspeed_checkpoint_activations --deepspeed_checkpoint_layers_num 24

权重提取：
python3 models/cluecorpussmall_gpt2_xlarge_seq128_model/zero_to_fp32.py models/cluecorpussmall_gpt2_xlarge_seq128_model/ \
                                                                       models/cluecorpussmall_gpt2_xlarge_seq128_model.bin

第二阶段：

数据预处理：
python3 preprocess.py --corpus_path corpora/cluecorpussmall.txt \
                     --vocab_path models/google_zh_vocab.txt \
                     --dataset_path cluecorpussmall_lm_seq1024_dataset.pt \
                     --seq_length 1024 --processes_num 32 --data_processor lm

模型训练：
deepspeed pretrain.py --deepspeed --deepspeed_config models/deepspeed_config.json \
                     --dataset_path corpora/cluecorpussmall_lm_seq1024_dataset.pt \
                     --vocab_path models/google_zh_vocab.txt \
                     --config_path models/gpt2/xlarge_config.json \
                     --pretrained_model_path models/cluecorpussmall_gpt2_xlarge_seq128_model.bin \
                     --output_model_path models/cluecorpussmall_gpt2_xlarge_seq1024_model \
                     --world_size 8 --batch_size 16 --learning_rate 5e-5 \
                     --total_steps 250000 --save_checkpoint_steps 50000 --report_steps 10000 \
                     --deepspeed_checkpoint_activations --deepspeed_checkpoint_layers_num 6

权重提取：
python3 models/cluecorpussmall_gpt2_xlarge_seq1024_model/zero_to_fp32.py models/cluecorpussmall_gpt2_xlarge_seq1024_model/ \
                                                                        models/cluecorpussmall_gpt2_xlarge_seq1024_model.bin

格式转换：

python3 scripts/convert_gpt2_from_tencentpretrain_to_huggingface.py --input_model_path models/cluecorpussmall_gpt2_xlarge_seq1024_model.bin \
                                                                  --output_model_path pytorch_model.bin \
                                                                  --layers_num 48

文献引用

@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：开源预训练工具包},
  author={赵哲 and 陈辉 and 张金斌 and 赵鑫 and 刘涛 and 陆伟 and 陈曦 and 邓浩堂 and 鞠奇 and 杜晓勇},
  journal={EMNLP-IJCNLP 2019},
  pages={241},
  year={2019}
}

@article{zhao2023tencentpretrain,
  title={TencentPretrain：多模态预训练框架},
  author={赵哲 and 李裕东 and 侯诚 and 赵静等},
  journal={ACL 2023},
  pages={217},
  year={2023}