|
--- |
|
license: openrail |
|
language: |
|
- ru |
|
library_name: transformers |
|
tags: |
|
- pytorch |
|
- causal-lm |
|
--- |
|
|
|
## CharLLaMa-35M |
|
|
|
Это крошечная языковая модель, имеющая [архитектуру LLaMa](https://arxiv.org/abs/2302.13971), с **посимвольной** токенизацией для всевозможных экспериментов, когда задача решается плохо из-за BPE токенизации на слова и их части: |
|
|
|
1) генеративные спеллчекеры |
|
2) классификация текста: замена ```TfidfVectorizer(analyzer='char')```, т.е. когда хорошо сработал бейзлайн на символьных n-граммах |
|
3) транскрипция текста |
|
4) детекция орфографических ошибок, опечаток |
|
|
|
Размер модели - **35 913 600** параметров. |
|
|
|
### Особенности предварительной тренировки |
|
|
|
Я делал эту модель для экспериментов с русской поэзией в рамках проекта ["Литературная студия"](https://github.com/Koziev/verslibre). |
|
Поэтому корпус претрейна содержал значительное количество текстов поэтического формата. |
|
Это может повлиять на ваши downstream задачи. |
|
|
|
Объем корпуса претрейна - около **80B** токенов, тексты только на русском языке. |
|
|
|
Кривая обучения:  |
|
|
|
|
|
### Токенизатор |
|
|
|
Для использования модели нужно установить специальный токенизатор: |
|
|
|
``` |
|
pip install git+https://github.com/Koziev/character-tokenizer |
|
``` |
|
|
|
Кроме символов кириллицы и пунктуации, этот токенизатор знает про специальные токены ```<s>```, ```</s>```, ```<pad>``` и ```<unk>```. |
|
|
|
Так как это нестандартный для transformers токенизатор, его надо загружать не через ```transformers.AutoTokenizer.from_pretrained```, а примерно так: |
|
|
|
``` |
|
import charactertokenizer |
|
|
|
... |
|
tokenizer = charactertokenizer.CharacterTokenizer.from_pretrained('inkoziev/charllama-35M') |
|
``` |
|
|
|
Чтобы посмотреть на токенизацию, можно использовать такой фрагмент кода: |
|
|
|
``` |
|
prompt = '<s>У Лукоморья дуб зеленый\n' |
|
encoded_prompt = tokenizer.encode(prompt, return_tensors='pt') |
|
print('Tokenized prompt:', ' | '.join(tokenizer.decode([t]) for t in encoded_prompt[0])) |
|
``` |
|
|
|
Вы увидите список токенов, разделенных символом ```|```: |
|
|
|
``` |
|
Tokenized prompt: <s> | У | | Л | у | к | о | м | о | р | ь | я | | д | у | б | | з | е | л | е | н | ы | й | |
|
``` |
|
|
|
### Использование |
|
|
|
С библиотекой transformerts модель можно использовать штатным способом как обычную GPT'шку (точнее, transformers.LlamaModel): |
|
|
|
``` |
|
import os |
|
import torch |
|
import transformers |
|
import charactertokenizer |
|
|
|
device = torch.device("cuda" if torch.cuda.is_available() else "cpu") |
|
|
|
model_name_or_path = 'inkoziev/charllama-35M' |
|
model = transformers.AutoModelForCausalLM.from_pretrained(model_name_or_path) |
|
model.to(device) |
|
model.eval() |
|
|
|
tokenizer = charactertokenizer.CharacterTokenizer.from_pretrained(model_path) |
|
|
|
prompt = 'Меня зовут Ар' |
|
encoded_prompt = tokenizer.encode(prompt, return_tensors='pt') |
|
|
|
output_sequences = model.generate( |
|
input_ids=encoded_prompt.to(device), |
|
max_length=500, |
|
temperature=1.0, |
|
top_k=0, |
|
top_p=0.8, |
|
repetition_penalty=1.0, |
|
do_sample=True, |
|
num_return_sequences=5, |
|
pad_token_id=0, |
|
) |
|
|
|
for o in output_sequences: |
|
text = tokenizer.decode(o) |
|
if text.startswith('<s>'): |
|
text = text.replace('<s>', '') |
|
text = text[:text.index('</s>')].strip() |
|
print(text) |
|
print('-'*80) |
|
``` |
|
|
|
Также, будут работать все прочие инструменты для GPT моделей, например transformers.AutoModelForSequenceClassification. |
|
|
