nlp - 如何使用 BERT/GPT-2 进行释义生成

Question

我正在努力了解如何使用 BERT/GPT-2 进行释义生成。我不明白我该怎么做。您能否提供我能够制作释义生成模型的任何资源？“输入是一个句子，输出是句子的释义”

Answer 1

这是我训练释义者的秘诀:

1. 不要使用 BERT(仅编码器)或 GPT(仅解码器)，而是使用带有编码器和解码器的 seq2seq 模型，例如 T5、BART 或 Pegasus。我建议使用 the multilingual T5 model这是针对 101 种语言进行预训练的。如果你想为你自己的语言加载嵌入(而不是使用全部 101)，你可以关注 this recipe .

2. 为您的语言和领域查找释义语料库。对于英语，ParaNMT、PAWS 和 QQP 是很好的候选。一个名为 Tapaco 的语料库，从 Tatoeba 中提取，是一个涵盖 73 种语言的释义语料库，因此如果您找不到适合您的语言的释义语料库，这是一个很好的起点。

3. 在这个语料库上微调你的模型。代码可以是这样的:

import torch
from transformers import T5ForConditionalGeneration, T5Tokenizer
# use here a backbone model of your choice, e.g. google/mt5-base
backbone_model = 'cointegrated/rut5-base-multitask' 
model = T5ForConditionalGeneration.from_pretrained(backbone_model)
tokenizer = T5Tokenizer.from_pretrained(backbone_model)
model.cuda();
optimizer = torch.optim.Adam(params=[p for p in model.parameters() if p.requires_grad], lr=1e-5)

# todo: load the paraphrasing corpus and define the get_batch function

for i in range(100500):
    xx, yy = get_batch(mult=mult)
    x = tokenizer(xx, return_tensors='pt', padding=True).to(model.device)
    y = tokenizer(yy, return_tensors='pt', padding=True).to(model.device)
    # do not force the model to predict pad tokens
    y.input_ids[y.input_ids==0] = -100
    loss = model(
        input_ids=x.input_ids,
        attention_mask=x.attention_mask,
        labels=y.input_ids,
        decoder_attention_mask=y.attention_mask,
        return_dict=True
    ).loss
    loss.backward()
    optimizer.step()
    optimizer.zero_grad()

model.save_pretrained('my_paraphraser')
tokenizer.save_pretrained('my_paraphraser')

可以找到此代码的更完整版本 in this notebook .

训练结束后，模型可以通过以下方式使用:

from transformers import pipeline
pipe = pipeline(task='text2text-generation', model='my_paraphraser')
print(pipe('Here is your text'))
# [{'generated_text': 'Here is the paraphrase or your text.'}]

如果您希望您的释义更加多样化，您可以使用 arguments 控制生成过程喜欢

print(pipe(
    'Here is your text', 
    encoder_no_repeat_ngram_size=3,  # make output different from input
    do_sample=True,  # randomize
    num_beams=5,  # try more options
    max_length=128,  # longer texts
))

享受吧!