license: mit
language:
- pt
tags:
- t5
- ul2
- pt
- pt-br
datasets:
- allenai/c4
library_name: transformers
Model Details
Model Description
ULT5-pt é um modelo de arquitetura T5-v1.1 treinado com o framework UL2 - Unifying Language Learning Paradigms, que utiliza Mixture-of-Denoisers (MoD), o qual combina o objetivo de Causal Language Modeling (CLM) com Span Corruption.
ULT5-pt is a T5-v1.1 architecture model trained using the UL2 - Unifying Language Learning Paradigms framework, which uses Mixture-of-Denoisers (MoD), combining Causal Language Modeling (CLM) objective with Span Corruption.
| Model | Parameters |
|---|---|
| thacio/ult5-pt-small | 82.4M |
- Developed by: Thacio Garcia Scandaroli
- Model type: T5
- Language(s) (NLP): Português
- License: MIT
Pretraining nad model characteristics
The model was trained with a portion of the C4 corpus in Portuguese using UL2 (https://huggingface.co/google/ul2), using R-Denoising, S-Denoising, and X-Denoising, and with dropout rate of 0.0. Unlike the original work of UL2, a prefix token for S-Denoising was not used. For R-Denoising and X-Denoising, the tokens '<|NLU|>' and '<|NLG|>' and were used, respectively.
A context window of 1024 tokens was used. Also, a GPT2 tokenizer with a Portuguese vocabulary trained with Wikipedia was used to increase the amount of text that can be processed.*
O modelo foi treinado com uma parte do corpus C4 em português utilizando o UL2 (https://huggingface.co/google/ul2), utilizando R-Denoising, S-Denoising e X-Denoising, e com dropout 0.0. De forma diferente do paper original, não se utilizou token específico de prefixo para o S-Denoising. Para o R-Denoising e o X-Denoising, foram utilizados, respectivamente, os tokens <|NLU|> e <|NLG|>.
Utilizou-se uma janela de contexto para 1024 tokens e um tokenizador do GPT2 com vocabulário em português treinado com o wikipedia, aumentando a quantidade de texto que pode ser processada.
Uses
O uso recomendado é para fine-tunning.
Foi disponibilizado um tutorial em formato de notebook para fine-tune de modelos decoder e encoder-decoder (T5): [Fine-tune Large Language Models](endereço aqui)
Os modos de span corruption podem ser acionados adicionado ao início do text os prefixos '<|NLU|>' e '<|NLG|>'. Os autores do UL2 apontam uma possivel diferença no resultado do fine-tune dependendo do modo ativado. Porém, para o ult5-pt, não se notou diferença nos testes de benchmark.
*Fine-tunning is the recommended use for the model.
A tutorial (in portuguse) in notebook format for decoder and encoder-decoder (T5) model fine-tuning was provided: [Fine-tune Large Language Models](link here).
Span corruption modes can be activated by adding the prefixes '<|NLU|>' and '<|NLG|>' to the beginning of the text. The UL2 authors point out a possible difference in the fine-tuning result depending on the activated mode. However, for ult5-pt, no difference was noticed in benchmark tests.*
Direct Use
Exemplo de geração de texto com top_k de 30
Example of text generation with top_k of 30
from transformers import GPT2TokenizerFast, AutoModelForSeq2SeqLM
tokenizer = GPT2TokenizerFast.from_pretrained("thacio/ult5-pt-small")
model = AutoModelForSeq2SeqLM.from_pretrained("thacio/ult5-pt-small")
text='Um modelo de linguagem é um sistema de inteligência artificial que'
pred=model.generate(tokenizer.encode(text,return_tensors='pt'),max_new_tokens=30, eos_token_id=tokenizer.eos_token_id, top_k=30, do_sample=True)
print('input:',text)
print('generated:',tokenizer.batch_decode(pred, skip_special_tokens=True))
# input: Um modelo de linguagem é um sistema de inteligência artificial que
# generated: [' geraria a quantidade de informações por clique. Além das capacidades humanas, elas seriam muito mais produtivas do que as do cérebro humano.\nO que']
Embeddings:
from transformers import T5EncoderModel, GPT2TokenizerFast
tokenizer = GPT2TokenizerFast.from_pretrained("thacio/ult5-pt-small")
model = T5EncoderModel.from_pretrained("thacio/ult5-pt-small")
text = 'Um modelo de linguagem é um sistema de inteligência artificial que aprende a gerar ou processar texto baseado em exemplos de treinamento.'
input_ids = tokenizer(text, return_tensors="pt").input_ids
outputs = model(input_ids)
last_hidden_states = outputs.last_hidden_state
print(last_hidden_states)
# tensor([[[-2.4537e-01, 7.9853e-02, 6.6387e-02, ..., 1.8083e-01,
# -4.8941e-02, 5.1888e-03],
# [-3.0077e-01, -3.1949e-05, -1.9432e-01, ..., -2.7167e-01,
# 3.8779e-02, -1.3541e-01],
# [ 8.8356e-05, 3.6444e-03, 2.4887e-04, ..., 1.3219e-03,
# 2.2221e-03, 1.1144e-03],
# ...,
# [-4.5300e-02, -4.6213e-02, -5.2453e-02, ..., 1.7336e-01,
# -2.6955e-02, -7.8869e-02],
# [ 8.0028e-03, -9.6458e-02, -2.1417e-01, ..., 5.1064e-01,
# -1.0858e-03, -2.7367e-02],
# [ 1.0856e-01, 4.4607e-02, -1.4409e-02, ..., 6.7812e-02,
# 5.6911e-02, 1.2650e-01]]], grad_fn=<MulBackward0>)
Bias, Risks, and Limitations
Os mesmos riscos, vieses e limitações dos outros modelos se aplicam a este, como o apontado em GPT2.
The same risks, biases, and limitations of other models apply to this one, as pointed out in GPT-2.
Citation
@misc{ult5-pt2023,
author = {Thacio Garcia Scandaroli},
title = {ULT5-pt: Portuguese Language Model trained with UL2},
year = {2023},
}