ru gpts
1.0.0
Este repositório contém vários modelos de linguagem de transformadores autorregressivos treinados em um enorme conjunto de dados da língua russa.
Modelos GPT-3 russos (ruGPT3XL, ruGPT3Large, ruGPT3Medium, ruGPT3Small) treinados com comprimento de sequência de 2.048 com blocos de atenção esparsos e densos. Também fornecemos modelo grande russo GPT-2 (ruGPT2Large) treinado com comprimento de sequência de 1.024.
Experimente a geração de modelos no Colab! ruGPT-3 XL: ou modelos ruGPT-3 menores:
Exemplos de uso são descritos em detalhes aqui. Veja como funciona o ajuste fino:
Para colab recomendamos usar as seguintes instruções de instalação:
export LD_LIBRARY_PATH=/usr/lib/
apt-get install clang-9 llvm-9 llvm-9-dev llvm-9-tools
git clone https://github.com/qywu/apex
cd apex
pip install -v --no-cache-dir --global-option="--cpp_ext" --global-option="--cuda_ext" ./
pip install triton
DS_BUILD_CPU_ADAM=1 DS_BUILD_SPARSE_ATTN=1 pip install deepspeed
pip install transformers
pip install huggingface_hub
pip install timm==0.3.2
git clone https://github.com/sberbank-ai/ru-gpts
cp ru-gpts/src_utils/trainer_pt_utils.py /usr/local/lib/python3.8/dist-packages/transformers/trainer_pt_utils.py
cp ru-gpts/src_utils/_amp_state.py /usr/local/lib/python3.8/dist-packages/apex/amp/_amp_state.py
Após o ambiente de instalação, reinicie o colab. Para verificar se está tudo bem, execute os seguintes comandos:
!ds_report
# Output:
...
sparse_attn ............ [YES] ...... [OKAY]
...
import deepspeed.ops.sparse_attention.sparse_attn_op
Aqui está um exemplo simples de uso. Para mais informações, veja este exemplo ou .
import sys
from src . xl_wrapper import RuGPT3XL
import os
# If run to from content root.
sys . path . append ( "ru-gpts/" )
os . environ [ "USE_DEEPSPEED" ] = "1"
# We can change address and port
os . environ [ "MASTER_ADDR" ] = "127.0.0.1"
os . environ [ "MASTER_PORT" ] = "5000"
gpt = RuGPT3XL . from_pretrained ( "sberbank-ai/rugpt3xl" , seq_len = 512 )
gpt . generate (
"Кто был президентом США в 2020? " ,
max_length = 50 ,
no_repeat_ngram_size = 3 ,
repetition_penalty = 2. ,
)Um exemplo de ajuste fino, carregamento do modelo ajustado e geração está aqui.
Nosso exemplo de ajuste fino de script aqui
O modelo foi treinado com comprimento de sequência de 512 usando código Deepspeed e Megatron pela equipe de Devices, em um conjunto de dados de tokens de 80B por 4 épocas. Depois que esse modelo foi ajustado em 1 época com comprimento de sequência 2048.
Observação! O modelo tem bloqueios de atenção esparsos.
O tempo total de treinamento foi de cerca de 10 dias em 256 GPUs.
A perplexidade final no conjunto de teste é 12.05 .
?Link do cartão do modelo HuggingFace.
Para usar ruGPT3Large, ruGPT3Medium, ruGPT3Small, ruGPT2Large basta instalar os transformadores ?HuggingFace.
pip install transformers==4.24.0Aqui podemos obter exemplos de ajuste fino ou geração.
Além disso, este exemplo foi adaptado para o Google Colab:
from transformers import GPT2LMHeadModel , GPT2Tokenizer
model_name_or_path = "sberbank-ai/rugpt3large_based_on_gpt2"
tokenizer = GPT2Tokenizer . from_pretrained ( model_name_or_path )
model = GPT2LMHeadModel . from_pretrained ( model_name_or_path ). cuda ()
text = "Александр Сергеевич Пушкин родился в "
input_ids = tokenizer . encode ( text , return_tensors = "pt" ). cuda ()
out = model . generate ( input_ids . cuda ())
generated_text = list ( map ( tokenizer . decode , out ))[ 0 ]
print ( generated_text )
# Output should be like this:
# Александр Сергеевич Пушкин родился в n1799 году. Его отец был крепостным крестьянином, а мать – крепостной крестьянкой. Детство и юность Пушкина прошли в деревне Михайловское под Петербургом. В 1820-х годах семья переехалаTodo o pré-treinamento foi feito em GPUs Nvidia Tesla V100-SXM3 de 32 Gb em um cluster Christofari. A seguir estão os detalhes do pré-treinamento para cada modelo.
O modelo foi treinado com comprimento de sequência 1024 usando transformadores lib pela equipe de dispositivos em tokens de 80B por 3 épocas. Depois que esse modelo foi ajustado em 1 época com comprimento de sequência 2048.
O tempo total de treinamento foi de cerca de 14 dias em 128 GPUs para o contexto 1024 e alguns dias em 16 GPUs para o contexto 2048.
A perplexidade final no conjunto de teste é 13.6 .
Você pode obter este modelo usando transformadores com nome de modelo sberbank-ai/rugpt3large_based_on_gpt2 .
?Link do cartão do modelo HuggingFace
Nosso roteiro de pré-treinamento aqui
O modelo foi treinado com comprimento de sequência 1024 usando transformadores lib pela equipe de dispositivos em tokens de 80B por 3 épocas. Depois que esse modelo foi ajustado no contexto de 2048.
O tempo total de treinamento foi de cerca de 16 dias em 64 GPUs.
A perplexidade final no conjunto de teste é 17.4 .
Você pode obter este modelo usando transformadores com nome de modelo sberbank-ai/rugpt3medium_based_on_gpt2 .
?Link do cartão do modelo HuggingFace
Nosso roteiro de pré-treinamento aqui
O modelo foi treinado com comprimento de sequência 1024 usando transformadores pela equipe de dispositivos em tokens de 80B em torno de 3 épocas. Depois que esse modelo foi ajustado no contexto de 2048.
O tempo total de treinamento durou cerca de uma semana em 32 GPUs.
Você pode obter este modelo usando transformadores com nome de modelo sberbank-ai/rugpt3small_based_on_gpt2 .
?Link do cartão do modelo HuggingFace
Nosso roteiro de pré-treinamento aqui
O modelo foi treinado com comprimento de sequência 1024 usando transformadores pela equipe de dispositivos em dados de 170 Gb em 64 GPUs por 3 semanas.
Você pode obter este modelo usando transformadores com nome de modelo sberbank-ai/rugpt2large .
?Link do cartão do modelo HuggingFace
De acordo com a pesquisa do Google Scholar - sinta-se à vontade para adicionar links a esta lista
@article{shatilovsentence,
title={Sentence simplification with ruGPT3},
author={Shatilov, AA and Rey, AI},
url={http://www.dialog-21.ru/media/5281/shatilovaaplusreyai142.pdf}
}
@article{fenogenovatext,
title={Text Simplification with Autoregressive Models},
author={Fenogenova, Alena},
url={http://www.dialog-21.ru/media/5250/fenogenovaa141.pdf}}
@article{dementieva2021methods,
title={Methods for Detoxification of Texts for the Russian Language},
author={Dementieva, Daryna and Moskovskiy, Daniil and Logacheva, Varvara and Dale, David and Kozlova, Olga and Semenov, Nikita and Panchenko, Alexander},
journal={arXiv preprint arXiv:2105.09052},
year={2021},
url={https://arxiv.org/abs/2105.09052}
}
@inproceedings{fenogenova2021russian,
title={Russian Paraphrasers: Paraphrase with Transformers},
author={Fenogenova, Alena},
booktitle={Proceedings of the 8th Workshop on Balto-Slavic Natural Language Processing},
pages={11--19},
year={2021},
url={https://www.aclweb.org/anthology/2021.bsnlp-1.2.pdf}
}
@article{malykh2021morocco,
title={MOROCCO: Model Resource Comparison Framework},
author={Malykh, Valentin and Kukushkin, Alexander and Artemova, Ekaterina and Mikhailov, Vladislav and Tikhonova, Maria and Shavrina, Tatiana},
journal={arXiv preprint arXiv:2104.14314},
year={2021},
url={https://arxiv.org/abs/2104.14314}}
