GPT-2文本生成模型介绍
GPT-2 是一个 transformer 模型，以自我监督的方式在大量英语数据集上进行预训练。 这意味着它仅在原始文本上进行了预训练，没有以任何方式进行标记，，并通过自动过程从这些文本生成输入和标签。 也可以说，它被训练来猜测句子中的下一个单词。
对于训练而言，输入是一定长度的连续文本序列，目标是相同的序列，向右移动一个标记（单词或单词片段）。 该模型在内部使用掩码机制来确保对第 i 个 token 的预测仅使用从 1 到 i 的输入，不包括后续的内容。
通过这种方式，该模型学习了输入语料的内部表示，然后可用于提取对下游任务有用的特征。 这是 GPT-2 的 base 版本，有 124M 参数。
模型描述
GPT-2模型使用 Transformer 的 Decoder 结构，并对 Transformer Decoder 进行了一些改动，原本的 Decoder 包含了两个 Multi-Head Attention 结构，GPT-2只保留了 Self Mask Multi-Head Attention，利用常规的语言建模优化，从左到右的自回归预训练。
期望模型使用方式以及适用范围
本模型主要用于多种场景输入的生成和续写。比如用户可以自行尝试输入各种内容，然后让模型去回答、续写或者根据指令回复
如何使用
在安装完成MaaS-lib之后即可使用GPT-2的text-generation的能力
代码范例
from modelscope.pipelines import pipeline
from modelscope.utils.constant import Tasks
text_generator = pipeline(Tasks.text_generation, model='damo/nlp_gpt2_text-generation_english-base', model_revision='v1.0.0')
result_zh = text_generator('My name is Teven and I am')
print(result_zh['text'])
模型局限性以及可能的偏差
模型在大量无标注的英文数据集上训练，有可能产生一些偏差，请用户自行评测后决定如何使用。
训练数据介绍
本模型采用无监督数据对GPT-2进行训练，其中无监督数据为公开可下载的语料
模型训练流程
本模型暂不支持在 ModelScope 进行训练
相关论文以及引用信息
如果GPT-2模型对您有帮助，请您引用该模型的相关文章：
@article{radford2019language,
title={Language Models are Unsupervised Multitask Learners},
author={Radford, Alec and Wu, Jeff and Child, Rewon and Luan, David and Amodei, Dario and Sutskever, Ilya},
year={2019}
}
评论