开启想象翅膀：轻松实现文本生成模型的创作应用，支持LLaMA、ChatGLM、UDA、GPT2、Seq2Seq、BART、T5、SongNet等模型，开箱即用

开启想象翅膀：轻松实现文本生成模型的创作应用，支持LLaMA、ChatGLM、UDA、GPT2、Seq2Seq、BART、T5、SongNet等模型，开箱即用

---

TextGen: Implementation of Text Generation models

1.介绍

TextGen实现了多种文本生成模型，包括：LLaMA、ChatGLM、UDA、GPT2、Seq2Seq、BART、T5、SongNet等模型，开箱即用。

1.1 最新更新

2023/06/15\] v1.0.0版本: 新增ChatGLM/LLaMA/Bloom模型的多轮对话微调训练，并发布医疗问诊LoRA模型[shibing624/ziya-llama-13b-medical-lora](https://huggingface.co/shibing624/ziya-llama-13b-medical-lora)。详见[Release-v1.0.0](https://github.com/shibing624/MedicalGPT/releases/tag/1.0.0) \[2023/06/02\] v0.2.7版本: 新增ChatGLM/LLaMA/Bloom模型的SFT微调训练，并发布适用于通用对话和中文纠错的LoRA模型。详见[Release-v0.2.7](https://github.com/shibing624/MedicalGPT/releases/tag/0.2.7) ## 1.2 相关介绍 * [ChatGLM](textgen/chatglm)：本项目基于PyTorch实现了ChatGLM-6B模型LoRA微调训练和预测，可以用于句子纠错、对话等文本生成任务 * [LLaMA](textgen/llama)：本项目基于PyTorch实现了LLaMA模型LoRA微调训练和预测，可以用于对话生成任务和领域微调训练 * [BLOOM](textgen/bloom)：本项目基于PyTorch实现了BLOOM模型LoRA微调训练和预测，可以用于对话生成任务和领域微调训练 * [UDA/EDA](textgen/augment/word_level_augment.py)：本项目实现了UDA(非核心词替换)、EDA和Back Translation(回译)算法，基于TF-IDF将句子中部分不重要词替换为同义词，随机词插入、删除、替换等方法，产生新的文本，实现了文本扩增 * [Seq2Seq](textgen/seq2seq)：本项目基于PyTorch实现了Seq2Seq、ConvSeq2Seq、BART模型的训练和预测，可以用于文本翻译、对话生成、摘要生成等文本生成任务 * [T5](textgen/t5)：本项目基于PyTorch实现了T5和CopyT5模型训练和预测，可以用于文本翻译、对话生成、对联生成、文案撰写等文本生成任务 * [GPT2](textgen/language_modeling)：本项目基于PyTorch实现了GTP2模型训练和预测，可以用于文章生成、对联生成等文本生成任务 * [SongNet](textgen/language_modeling/songnet_model.py)：本项目基于PyTorch实现了SongNet模型训练和预测，可以用于规范格式的诗词、歌词等文本生成任务 * [TGLS](textgen/unsup_generation)：本项目实现了[TGLS](https://www.jiqizhixin.com/articles/2020-08-11-5)无监督相似文本生成模型，是一种"先搜索后学习"的文本生成方法，通过反复迭代学习候选集，最终模型能生成类似候选集的高质量相似文本 ### 1.2.1 支持模型 release基于`textgen`训练的中文模型，模型已经release到HuggingFace models，指定模型名称`textgen`会自动下载模型，可直接使用。 | Model | Arch | Introduction | Train Script | Predict Script | |:----------------------------------------------------------------------------------------------------------|:-----------|:-------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:---------------------------------------------------------------------------------------------------------------------------------------------|:----------------------------------------------------------------------------------------------------------------------| | [shibing624/t5-chinese-couplet](https://huggingface.co/shibing624/t5-chinese-couplet) | T5 | fine-tuned中文对联后的模型 | [对联生成模型调研](https://github.com/shibing624/textgen/blob/main/docs/%E5%AF%B9%E8%81%94%E7%94%9F%E6%88%90%E6%A8%A1%E5%9E%8B%E5%AF%B9%E6%AF%94.md) | [predict script](https://github.com/shibing624/textgen/blob/main/examples/t5/t5_couplet_demo.py) | | [shibing624/songnet-base-chinese-songci](https://huggingface.co/shibing624/songnet-base-chinese-songci) | SongNet | fine-tuned宋词后的模型 | [training script](https://github.com/shibing624/textgen/blob/main/examples/songnet/training_zh_songnet_demo.py) | [predict script](https://github.com/shibing624/textgen/blob/main/examples/songnet/songnet_songci_demo.py) | | [shibing624/songnet-base-chinese-couplet](https://huggingface.co/shibing624/songnet-base-chinese-couplet) | SongNet | fine-tuned对联后的模型 | [training script](https://github.com/shibing624/textgen/blob/main/examples/songnet/training_zh_songnet_demo.py) | [predict script](https://github.com/shibing624/textgen/blob/main/examples/songnet/songnet_couplet_demo.py) | | [shibing624/chatglm-6b-csc-zh-lora](https://huggingface.co/shibing624/chatglm-6b-csc-zh-lora) | ChatGLM-6B | 在27万中文拼写纠错数据[shibing624/CSC](https://huggingface.co/datasets/shibing624/CSC)上微调了一版ChatGLM-6B，纠错效果有提升，发布微调后的LoRA权重 | [training script](https://github.com/shibing624/textgen/blob/main/examples/chatglm/training_chatglm_csc_demo.py) | [predict script](https://github.com/shibing624/textgen/blob/main/examples/chatglm/csc_demo.py) | | [shibing624/chatglm-6b-belle-zh-lora](https://huggingface.co/shibing624/chatglm-6b-belle-zh-lora) | ChatGLM-6B | 在100万条中文ChatGPT指令Belle数据集[BelleGroup/train_1M_CN](https://huggingface.co/datasets/BelleGroup/train_1M_CN)上微调了一版ChatGLM-6B，问答效果有提升，发布微调后的LoRA权重 | [training script](https://github.com/shibing624/textgen/blob/main/examples/chatglm/training_chatglm_hfdataset_demo.py) | [predict script](https://github.com/shibing624/textgen/blob/main/examples/chatglm/training_chatglm_hfdataset_demo.py) | | [shibing624/llama-13b-belle-zh-lora](https://huggingface.co/shibing624/llama-13b-belle-zh-lora) | LLaMA-13B | 在100万条中文ChatGPT指令Belle数据集[BelleGroup/train_1M_CN](https://huggingface.co/datasets/BelleGroup/train_1M_CN)上微调了一版Llama-13B，问答效果有提升，发布微调后的LoRA权重 | [training script](https://github.com/shibing624/textgen/blob/main/examples/llama/training_llama_hfdataset_demo.py) | [predict script](https://github.com/shibing624/textgen/blob/main/examples/llama/training_llama_hfdataset_demo.py) | | [shibing624/chinese-alpaca-plus-7b-hf](https://huggingface.co/shibing624/chinese-alpaca-plus-7b-hf) | LLaMA-7B | [中文LLaMA-Plus, Alpaca-Plus 7B版本](https://github.com/ymcui/Chinese-LLaMA-Alpaca/releases/tag/v3.0)，在LLaMA-7B上扩充了中文词表并继续预训练120G文本（通用领域），在4M指令数据集上微调后得到的中文Alpaca-plus模型 | [training script](https://github.com/shibing624/textgen/blob/main/examples/llama/training_llama_demo.py) | [predict script](https://github.com/shibing624/textgen/blob/main/examples/llama/training_llama_demo.py) | | [shibing624/chinese-alpaca-plus-13b-hf](https://huggingface.co/shibing624/chinese-alpaca-plus-13b-hf) | LLaMA-13B | [中文LLaMA-Plus, Alpaca-Plus 13B版本](https://github.com/ymcui/Chinese-LLaMA-Alpaca/releases/tag/v3.1)，在LLaMA-13B上扩充了中文词表并继续预训练120G文本（通用领域），在4.3M指令数据集上微调后得到的中文Alpaca-plus模型 | [training script](https://github.com/shibing624/textgen/blob/main/examples/llama/training_llama_demo.py) | [predict script](https://github.com/shibing624/textgen/blob/main/examples/llama/training_llama_demo.py) | | [shibing624/ziya-llama-13b-medical-lora](https://huggingface.co/shibing624/ziya-llama-13b-medical-lora) | LLaMA-13B | 在240万条中英文医疗数据集[shibing624/medical](https://huggingface.co/datasets/shibing624/medical)上微调了一版Ziya-LLaMA-13B模型，医疗问答效果有提升，发布微调后的LoRA权重 | [training script](https://github.com/shibing624/textgen/blob/main/examples/llama/training_llama_demo.py) | [predict script](https://github.com/shibing624/textgen/blob/main/examples/llama/training_llama_demo.py) | ### 1.2.2 模型评价得分 | Model | Arch | Introduction | Score | |:--------------------------------------------------------------------------------------------------------------------------------------------|:-----------|:----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:---------| | [LLaMA-7B-Chinese-Alpaca](https://huggingface.co/ziqingyang/chinese-alpaca-lora-7b) | LLaMA-7B | 复用[ymcui/Chinese-LLaMA-Alpaca](https://github.com/ymcui/Chinese-LLaMA-Alpaca/blob/main/examples/README.md)的评估case和得分 | 4.92 | | [LLaMA-13B-Chinese-Alpaca](https://huggingface.co/ziqingyang/chinese-alpaca-lora-13b) | LLaMA-13B | 复用[ymcui/Chinese-LLaMA-Alpaca](https://github.com/ymcui/Chinese-LLaMA-Alpaca/blob/main/examples/README.md)的评估case和得分 | 7.05 | | [ChatGLM-6B](https://huggingface.co/THUDM/chatglm-6b) | ChatGLM-6B | 基于原生`THUDM/chatglm-6b`评估测试集得分 | 7.16 | | [ChatGLM-6B-v1.1](https://huggingface.co/THUDM/chatglm-6b) | ChatGLM-6B | 基于原生`THUDM/chatglm-6b`v1.1英文优化版模型评估测试集得分 | **7.18** | | [shibing624/chatglm-6b-belle-zh-lora](https://huggingface.co/shibing624/chatglm-6b-belle-zh-lora) | ChatGLM-6B | 基于`THUDM/chatglm-6b`加载`shibing624/chatglm-6b-belle-zh-lora`LoRA模型后评估测试集得分 | 7.03 | | [facat/alpaca-lora-cn-13b](https://huggingface.co/facat/alpaca-lora-cn-13b) | LLaMA-13B | 基于`decapoda-research/llama-13b-hf`加载`facat/alpaca-lora-cn-13b`LoRA模型后评估测试集并标注得分 | 4.13 | | [Chinese-Vicuna/Chinese-Vicuna-lora-13b-belle-and-guanaco](https://huggingface.co/Chinese-Vicuna/Chinese-Vicuna-lora-13b-belle-and-guanaco) | LLaMA-13B | 基于`decapoda-research/llama-13b-hf`加载`Chinese-Vicuna/Chinese-Vicuna-lora-13b-belle-and-guanaco`LoRA模型后评估测试集并标注得分 | 3.98 | | [shibing624/chinese-alpaca-plus-7b-hf](https://huggingface.co/shibing624/chinese-alpaca-plus-7b-hf) | LLaMA-7B | 使用[ymcui/Chinese-LLaMA-Alpaca 合并模型方法](https://github.com/ymcui/Chinese-LLaMA-Alpaca/wiki/%E6%89%8B%E5%8A%A8%E6%A8%A1%E5%9E%8B%E5%90%88%E5%B9%B6%E4%B8%8E%E8%BD%AC%E6%8D%A2#%E5%A4%9Alora%E6%9D%83%E9%87%8D%E5%90%88%E5%B9%B6%E9%80%82%E7%94%A8%E4%BA%8Echinese-alpaca-plus)合并HF权重后，评估测试集并标注得分 | 6.93 | | [shibing624/chinese-alpaca-plus-13b-hf](https://huggingface.co/shibing624/chinese-alpaca-plus-13b-hf) | LLaMA-13B | 使用[ymcui/Chinese-LLaMA-Alpaca 合并模型方法](https://github.com/ymcui/Chinese-LLaMA-Alpaca/wiki/%E6%89%8B%E5%8A%A8%E6%A8%A1%E5%9E%8B%E5%90%88%E5%B9%B6%E4%B8%8E%E8%BD%AC%E6%8D%A2#%E5%A4%9Alora%E6%9D%83%E9%87%8D%E5%90%88%E5%B9%B6%E9%80%82%E7%94%A8%E4%BA%8Echinese-alpaca-plus)合并HF权重后，评估测试集并标注得分 | 7.07 | | [TheBloke/vicuna-13B-1.1-HF](https://huggingface.co/TheBloke/vicuna-13B-1.1-HF) | LLaMA-13B | 使用原生vicuna-13B-1.1合并后的模型，评估测试集并标注得分 | 5.13 | | [IDEA-CCNL/Ziya-LLaMA-13B-v1](https://huggingface.co/IDEA-CCNL/Ziya-LLaMA-13B-v1) | LLaMA-13B | 使用姜子牙通用大模型V1，评估测试集并标注得分 | 6.63 | 说明： * 评估case，详见在线文档：中文LLM-benchmark多任务评估集(腾讯文档) https://docs.qq.com/sheet/DUUpsREtWbFBsUVJE?tab=r7io7g 感谢韩俊明、[杨家铭](https://github.com/yangjiam)等同学的标注 * 评估任务类型包括：知识问答，开放式问答，数值计算，诗词、音乐、体育，娱乐，写文章，文本翻译，代码编程，伦理、拒答类，多轮问答，Score 评分是前100条（10分制）的平均分数，人工打分，越高越好 * 评估数量少，任务类型不够全面，评分之间的大小关系有一些参考价值，分数的绝对值没太大参考价值 * 评估脚本：[tests/test_benchmark.py](https://github.com/shibing624/textgen/blob/main/tests/test_benchmark.py) ，使用fp16预测，无int量化处理，运行脚本可复现评估结果，但生成结果具有随机性，受解码超参、随机种子等因素影响。评测并非绝对严谨，测试结果仅供晾晒参考 * 结论：ChatGLM-6B、LLaMA-13B的中文衍生模型（包括alpaca-plus, vicuna, ziya）的表现属于第一梯队，原版LLaMA-7B的表现整体稍差些 * LLaMA-13B-Chinese-Alpaca是在原版LLaMA上扩充了中文词表，并融入了约20G的通用中文语料后的指令微调模型，表明了LLaMA的底座优秀，具有强大的语言迁移能力 * ChatGLM这种原生的中文预训练模型更理解中文语义，且在中文知识问答、开放式问答得分高 * LLaMA系列模型数值计算、中英翻译、代码编程类得分高 * 经过中文预训练和SFT微调后的Chinese-LLaMA模型在中文诗词、娱乐、伦理类得分相较原版LLaMA有提升 # 2.demo展示 HuggingFace Demo: https://huggingface.co/spaces/shibing624/chinese-couplet-generate  run example: to see the demo: ```shell python examples/gradio_demo.py ``` model trained by [examples/t5/T5_Finetune_Chinese_Couplet.ipynb](https://github.com/shibing624/textgen/blob/main/examples/t5/T5_Finetune_Chinese_Couplet.ipynb) ## 2.1 安装 ```shell pip install -U textgen ``` or install develop version: ```shell pip install torch # conda install pytorch git clone https://github.com/shibing624/textgen.git cd textgen python setup.py install ``` ## 2.2 ChatGLM-6B 模型 ### 2.2.1 使用 ChatGLM-6B 微调后的模型 example: [examples/chatglm/inference_demo.py](https://github.com/shibing624/textgen/blob/main/examples/chatglm/inference_demo.py) ```python from textgen import ChatGlmModel model = ChatGlmModel("chatglm", "THUDM/chatglm-6b", peft_name="shibing624/chatglm-6b-csc-zh-lora") r = model.predict(["对下面中文拼写纠错：\n少先队员因该为老人让坐。\n答："]) print(r) # ['少先队员应该为老人让座。\n错误字：因，坐'] ``` PS：由于使用了开发中的peft库，可能由于版本更新，导致LoRA模型加载失败，建议使用下面的训练方法，自己训练LoRA模型。 ### 2.2.2 训练 ChatGLM-6B 微调模型 1. 支持自定义训练数据集和训练参数，数据集格式参考[examples/data/zh_csc_test.tsv](https://github.com/shibing624/textgen/blob/main/examples/data/zh_csc_test.tsv)或者[examples/data/json_files/belle_10.json](https://github.com/shibing624/textgen/blob/main/examples/data/json_files/belle_10.json) 2. 支持AdaLoRA、LoRA、P_Tuning、Prefix_Tuning等部分参数微调方法，也支持全参微调 3. 支持多卡训练，支持混合精度训练 example: [examples/chatglm/training_chatglm_demo.py](https://github.com/shibing624/textgen/blob/main/examples/chatglm/training_chatglm_demo.py) 单卡训练： ```shell cd examples/chatglm CUDA_VISIBLE_DEVICES=0 python training_chatglm_demo.py --do_train --do_predict --num_epochs 1 --output_dir outputs_chatglm ``` 多卡训练： ```shell cd examples/chatglm CUDA_VISIBLE_DEVICES=0,1 torchrun --nproc_per_node 2 training_chatglm_demo.py --do_train --do_predict --num_epochs 20 ``` ### 2.2.3 基于微调(LoRA)模型继续训练 如果需要基于Lora模型继续训练，可以使用下面的脚本合并模型为新的base model，再微调训练即可。 执行以下命令： ```shell python -m textgen/chatglm/merge_peft_adapter.py \ --base_model_name_or_path path_to_original_base_model_dir \ --peft_model_path path_to_peft_model_dir \ --output_dir path_to_output_dir ``` 参数说明： --base_model_name_or_path：存放HF格式的底座模型权重和配置文件的目录 --peft_model_path：存放PEFT格式的微调模型权重和配置文件的目录 --output_dir：指定保存全量模型权重的目录，默认为./merged ## 2.3 LLaMA 模型 ### 2.3.1 使用 LLaMA 微调后的模型 example: [examples/gpt/inference_demo.py](https://github.com/shibing624/textgen/blob/main/examples/gpt/inference_demo.py) show code example and result ```python import sys sys.path.append('../..') from textgen import GptModel def generate_prompt(instruction): return f"""Below is an instruction that describes a task. Write a response that appropriately completes the request.\n\n### Instruction:{instruction}\n\n### Response:""" model = GptModel("llama", "decapoda-research/llama-7b-hf", peft_name="ziqingyang/chinese-alpaca-lora-7b") predict_sentence = generate_prompt("问：用一句话描述地球为什么是独一无二的。\n答：") r = model.predict([predict_sentence]) print(r) # ['地球是唯一一颗拥有生命的行星。'] ``` ### 2.3.2训练 LLaMA 微调模型 1. 支持自定义训练数据集和训练参数，数据集格式参考[examples/data/zh_csc_test.tsv](https://github.com/shibing624/textgen/blob/main/examples/data/zh_csc_test.tsv)或者[shibing624/alpaca-zh](https://huggingface.co/datasets/shibing624/alpaca-zh) 2. 支持AdaLoRA、LoRA、P_Tuning、Prefix_Tuning等部分参数微调方法，也支持全参微调 3. 支持多卡训练，支持混合精度训练，使用方法同上（ChatGLM多卡训练） example: [examples/llama/training_llama_demo.py](https://github.com/shibing624/textgen/blob/main/examples/llama/training_llama_demo.py) ### 2.3.3 基于微调(LoRA)模型继续训练 如果需要基于Lora模型继续训练，可以使用下面的脚本合并模型为新的base model，再微调训练即可。 单LoRA权重合并（适用于 Chinese-LLaMA, Chinese-LLaMA-Plus, Chinese-Alpaca） 执行以下命令： ```shell python -m textgen/gpt/merge_peft_adapter.py \ --base_model_name_or_path path_to_original_base_model_dir \ --peft_model_path path_to_chinese_llama_or_alpaca_lora \ --output_type [pth|huggingface] --output_dir path_to_output_dir ``` 参数说明： --base_model_name_or_path：存放HF格式的底座模型权重和配置文件的目录 --peft_model_path：中文LLaMA/Alpaca LoRA解压后文件所在目录，也可使用HF上的Lora模型名称，如`ziqingyang/chinese-alpaca-lora-7b`会自动下载对应模型 --output_type: 指定输出格式，可为pth或huggingface。若不指定，默认为huggingface --output_dir：指定保存全量模型权重的目录，默认为./merged --offload_dir（可选）：对于低内存用户需要指定一个offload缓存路径 ### 2.3.4 训练领域模型 Note: 为了全面的介绍训练医疗大模型的过程，把4阶段训练方法(Pretraining, Supervised Finetuning, Reward Modeling and Reinforcement Learning)单独新建了一个repo：[shibing624/MedicalGPT](https://github.com/shibing624/MedicalGPT)，请移步该repo查看训练方法。 ## 2.4 BLOOM 模型 ### 2.4.1训练 BLOOM 微调模型 example: [examples/bloom/training_bloom_demo.py](https://github.com/shibing624/textgen/blob/main/examples/bloom/training_bloom_demo.py) ## 2.5 ConvSeq2Seq 模型 训练并预测ConvSeq2Seq模型： example: [examples/seq2sesq/training_convseq2seq_model_demo.py](https://github.com/shibing624/textgen/blob/main/examples/seq2seq/training_convseq2seq_model_demo.py) show code example and result ```python import argparse from loguru import logger import sys sys.path.append('../..') from textgen.seq2seq.conv_seq2seq_model import ConvSeq2SeqModel def main(): parser = argparse.ArgumentParser() parser.add_argument('--train_file', default='../data/zh_dialog.tsv', type=str, help='Training data file') parser.add_argument('--do_train', action='store_true', help='Whether to run training.') parser.add_argument('--do_predict', action='store_true', help='Whether to run predict.') parser.add_argument('--output_dir', default='./outputs/convseq2seq_zh/', type=str, help='Model output directory') parser.add_argument('--max_seq_length', default=50, type=int, help='Max sequence length') parser.add_argument('--num_epochs', default=200, type=int, help='Number of training epochs') parser.add_argument('--batch_size', default=32, type=int, help='Batch size') args = parser.parse_args() logger.info(args) if args.do_train: logger.info('Loading data...') model = ConvSeq2SeqModel(epochs=args.num_epochs, batch_size=args.batch_size, model_dir=args.output_dir, max_length=args.max_seq_length) model.train_model(args.train_file) print(model.eval_model(args.train_file)) if args.do_predict: model = ConvSeq2SeqModel(epochs=args.num_epochs, batch_size=args.batch_size, model_dir=args.output_dir, max_length=args.max_seq_length) sentences = ["什么是ai", "你是什么类型的计算机", "你知道热力学吗"] print("inputs:", sentences) print('outputs:', model.predict(sentences)) if __name__ == '__main__': main() ``` output: ```bash inputs: ["什么是ai", "你是什么类型的计算机", "你知道热力学吗"] outputs: ['人工智能是工程和科学的分支,致力于构建思维的机器。', '我的程序运行在python,所以我在任何运脑上工作！', '我不能错热是一个疯狂的人工智能"200年。'] ``` ## 2.6 BART 模型 训练并预测BART模型： example: [examples/seq2sesq/training_bartseq2seq_zh_demo.py](https://github.com/shibing624/textgen/blob/main/examples/seq2seq/training_bartseq2seq_zh_demo.py) output: ```shell inputs: ['什么是ai', '你是什么类型的计算机', '你知道热力学吗'] outputs: ['人工智能是工程和科学的分支,致力于构', '我的程序运行在python,所以我在任何电脑上', '什么是热力学吗？'] ``` ## 2.7 T5 模型 example: [examples/t5/training_zh_t5_model_demo.py](https://github.com/shibing624/textgen/blob/main/examples/t5/training_zh_t5_model_demo.py) show code example and result ```python import argparse from loguru import logger import pandas as pd import sys sys.path.append('../..') from textgen.t5 import T5Model def load_data(file_path): data = [] with open(file_path, 'r', encoding='utf-8') as f: for line in f: line = line.strip('\n') terms = line.split('\t') if len(terms) == 2: data.append(['QA', terms[0], terms[1]]) else: logger.warning(f'line error: {line}') return data def main(): parser = argparse.ArgumentParser() parser.add_argument('--train_file', default='../data/zh_dialog.tsv', type=str, help='Training data file') parser.add_argument('--model_type', default='t5', type=str, help='Transformers model type') parser.add_argument('--model_name', default='Langboat/mengzi-t5-base', type=str, help='Transformers model or path') parser.add_argument('--do_train', action='store_true', help='Whether to run training.') parser.add_argument('--do_predict', action='store_true', help='Whether to run predict.') parser.add_argument('--output_dir', default='./outputs/mengzi_t5_zh/', type=str, help='Model output directory') parser.add_argument('--max_seq_length', default=50, type=int, help='Max sequence length') parser.add_argument('--num_epochs', default=10, type=int, help='Number of training epochs') parser.add_argument('--batch_size', default=32, type=int, help='Batch size') args = parser.parse_args() logger.info(args) if args.do_train: logger.info('Loading data...') # train_data: Pandas DataFrame containing the 3 columns - `prefix`, `input_text`, `target_text`. # - `prefix`: A string indicating the task to perform. (E.g. `"question"`, `"stsb"`) # - `input_text`: The input text. `prefix` is prepended to form the full input. (: ) # - `target_text`: The target sequence train_data = load_data(args.train_file) logger.debug('train_data: {}'.format(train_data[:10])) train_df = pd.DataFrame(train_data, columns=["prefix", "input_text", "target_text"]) eval_data = load_data(args.train_file)[:10] eval_df = pd.DataFrame(eval_data, columns=["prefix", "input_text", "target_text"]) model_args = { "reprocess_input_data": True, "overwrite_output_dir": True, "max_seq_length": args.max_seq_length, "train_batch_size": args.batch_size, "num_train_epochs": args.num_epochs, "save_eval_checkpoints": False, "save_model_every_epoch": False, "evaluate_generated_text": True, "evaluate_during_training": True, "evaluate_during_training_verbose": True, "use_multiprocessing": True, "save_best_model": True, "output_dir": args.output_dir, "use_early_stopping": True, } # model_type: t5 model_name: Langboat/mengzi-t5-base model = T5Model(args.model_type, args.model_name, args=model_args) def count_matches(labels, preds): logger.debug(f"labels: {labels[:10]}") logger.debug(f"preds: {preds[:10]}") match = sum([1 if label == pred else 0 for label, pred in zip(labels, preds)]) logger.debug(f"match: {match}") return match model.train_model(train_df, eval_data=eval_df, matches=count_matches) print(model.eval_model(eval_df, matches=count_matches)) if args.do_predict: model = T5Model(args.model_type, args.output_dir) sentences = ["什么是ai", "你是什么类型的计算机", "你知道热力学吗"] print("inputs:", sentences) print("outputs:", model.predict(sentences)) if __name__ == '__main__': main() ``` output: ```shell inputs: ['什么是ai', '你是什么类型的计算机', '你知道热力学吗'] outputs: ['人工智能有两个广义的定义,任何拟人的机械,如在卡雷尔capeks', '我的程序运行在Python,所以我在任何电脑上工作!', '什么是热力学'] ``` ## 2.8 GPT2 模型 ### 2.8.1 中文GPT2 - 文章生成 使用中文数据集（段落格式，`\n`间隔），训练GPT2模型，可以用于诗歌生成、文章生成等任务。 example: [examples/gpt2/training_zh_gpt2_demo.py](https://github.com/shibing624/textgen/blob/main/examples/gpt2/training_zh_gpt2_demo.py) ### 2.8.2 中文GPT2 - 对联生成 使用中文对联数据集（tsv格式，`\t`间隔），自定义数据集读取Dataset，训练GPT2模型，可以用于对联生成、对话生成等任务。 example: [examples/gpt2/training_couplet_gpt2_demo.py](https://github.com/shibing624/textgen/blob/main/examples/gpt2/training_couplet_gpt2_demo.py) GPT2 vs T5： 1. 都是从Transformer改进来的，T5同时有编码器和解码器，GPT2只有解码器 2. T5的模型优势是处理给定输入，产出对应输出的任务，如翻译、对话、问答等 3. GPT2的模型优势是自由创作，如写一篇短文 4. T5的对联生成效果好于GPT2、GPT2的诗词生成效果好于T5 * [对联生成模型调研](https://github.com/shibing624/textgen/blob/main/docs/%E5%AF%B9%E8%81%94%E7%94%9F%E6%88%90%E6%A8%A1%E5%9E%8B%E5%AF%B9%E6%AF%94.md) * [古诗生成模型调研](https://github.com/shibing624/textgen/blob/main/docs/%E5%8F%A4%E8%AF%97%E7%94%9F%E6%88%90%E6%A8%A1%E5%9E%8B%E5%AF%B9%E6%AF%94.md) ## 2.9 SongNet 模型 格式控制的文本生成模型，paper见[SongNet: Rigid Formats Controlled Text Generation](https://arxiv.org/abs/2004.08022)， 适用于强韵律格式要求的诗歌、对联、歌词生成等任务。 example: [examples/songnet/training_zh_songnet_demo.py](https://github.com/shibing624/textgen/blob/main/examples/songnet/training_zh_songnet_demo.py) ## 2.10 Keyword Text Augmentation(EDA/UDA) example: show code example and result ```python import sys sys.path.append('..') from textgen.augment import TextAugment if __name__ == '__main__': docs = ['主要研究机器学习、深度学习、计算机视觉、智能对话系统相关内容', '晚上肚子好难受', '你会武功吗，我不会', '组装标题质量受限于广告主自提物料的片段质量，且表达丰富度有限', ] m = TextAugment(sentence_list=docs) a = docs[0] print(a) b = m.augment(a, aug_ops='random-0.2') print('random-0.2:', b) b = m.augment(a, aug_ops='insert-0.2') print('insert-0.2:', b) b = m.augment(a, aug_ops='delete-0.2') print('delete-0.2:', b) b = m.augment(a, aug_ops='tfidf-0.2') print('tfidf-0.2:', b) b = m.augment(a, aug_ops='mix-0.2') print('mix-0.2:', b) ``` output: ```bash 主要研究机器学习、深度学习、计算机视觉、智能对话系统相关内容 random-0.2: ('主要陪陪机器学习、深度学习主要计算机视觉、智能对话系统受限于内容', [('研究', '陪陪', 2, 4), ('、', '主要', 13, 15), ('相关', '受限于', 27, 30)]) insert-0.2: ('主要研究机器机器学习学习、深度深度学习、计算机视觉、智能对话系统相关内容', [('机器', '机器机器', 4, 8), ('学习', '学习学习', 8, 12), ('深度', '深度深度', 13, 17)]) delete-0.2: ('主要研究机器学习、深度学习、计算机视觉、对话系统相关内容', [('智能', '', 20, 20)]) tfidf-0.2: ('一是研究机器学习、深度学习、计算机听觉、智能交谈系统密切相关内容', [('主要', '一是', 0, 2), ('视觉', '听觉', 17, 19), ('对话', '交谈', 22, 24), ('相关', '密切相关', 26, 30)]) mix-0.2: ('主要研究机器学习、深度学、计算机听觉、智能对话软件系统相关内容', [('学习', '学', 11, 12), ('视觉', '听觉', 16, 18), ('系统', '软件系统', 23, 27)]) ``` ## 2.11 TGLS 模型（无监督相似文本生成模型） 无监督的中文电商评论生成：从**电商评论**中提取用户表达观点的短句并进行组合来生成仿真评论。 example: show code example and result ```python import os import sys sys.path.append('..') from textgen.unsup_generation import TglsModel, load_list pwd_path = os.path.abspath(os.path.dirname(__file__)) samples = load_list(os.path.join(pwd_path, './data/ecommerce_comments.txt')) docs_text = [ ["挺好的，速度很快，也很实惠，不知效果如何", "产品没得说，买了以后就降价，心情不美丽。", "刚收到，包装很完整，不错", "发货速度很快，物流也不错，同一时间买的两个东东，一个先到一个还在路上。这个水水很喜欢，不过盖子真的开了。盖不牢了现在。", "包装的很好，是正品", "被种草兰蔻粉水三百元一大瓶囤货，希望是正品好用，收到的时候用保鲜膜包裹得严严实实，只敢买考拉自营的护肤品", ], ['很温和，清洗的也很干净，不油腻，很不错，会考虑回购，第一次考拉买护肤品，满意', '这款卸妆油我会无限回购的。即使我是油痘皮，也不会闷痘，同时在脸部按摩时，还能解决白头的脂肪粒的问题。用清水洗完脸后，非常的清爽。', '自从用了fancl之后就不用其他卸妆了，卸的舒服又干净', '买贵了，大润发才卖79。9。', ], samples ] m = TglsModel(docs_text) r = m.generate(samples[:500]) print('size:', len(r)) for review in r: print('\t' + review) ``` output: [美迪惠尔 N.M.F针剂水库保湿面膜](https://goods.kaola.com/product/2227311.html)有如下的20句评论，其中有10句是真实用户评论，10句是生成的评论，能看出来么?😂 还不错还不错还不错还不错。 东西到了，不知道好不好用。试用过后再来评价。到时看网评都还可以。 哺乳期唯一使用的护肤品，每天都是素颜，脸面全靠面膜吊着😄补水💦不粘腻一如既往的支持，喜欢💕 搞活动时买的面膜，不知道这个面膜是真是假敷在脸上面膜纸都有小水泡鼓起来。 很不错，非常补水，用过的都知道，性价比之王，好用又不贵，正品，用着放心，物流也很快。 面膜非常好用哦。面膜薄薄的。好像是蚕丝面膜啊。精华很多呢。敷在脸上很舒服。感觉挺保湿的，味道也挺好闻的。就是里面只有单纯的面膜直接敷脸上有点不好弄，哈哈哈 还可以保湿效果不错水润润的每天贴一片脸也不干了用完了在买点，不错还会继续回购的。 快递很快，东西很赞！想要得点考拉豆不容易，还要三十个字。时间宝贵，废话不说！用过了就知道了 挺好用的，朋友推荐来的 挺好用的，淡淡的，虽然不是很浓精华的感觉，但是效果也蛮好的。划算 不得不说美迪惠尔的面膜是我用过的最好的面膜之一😎补水效果非常好，没想到这么便宜的价格竟真的能买到真品。 保湿效果挺好的，面膜很好用。 期待好的产品。 一打开包装里面的精华刚刚好，用了补水补水效果不错，物流非常快。 皮肤很光滑😇比上去速度快三天就到了。 前两天皮肤干燥连续敷了两个晚上感觉还不错😂补水效果明显！可想而知精华液又多充足😍敷上以后凉凉的很舒服。 补水效果一般吧～但是我用的韩国背回来的面膜纸不算薄，希望好用会回购的，敷上脸感觉比较清爽～价格还不便宜。 希望好用，面膜用过了很好用，皮肤水嫩光滑白皙，补水不错，价格也合适。 就是精华液太少了，保湿效果不错。 面膜的补水效果非常好，保湿效果确实很赞，这个面膜相对于胶原蛋白和美白的那两款的面膜纸要厚一些，看着价格合适。 前10句是真实用户评论，后10句是生成的。 # 3.数据集 Dataset ## 3.1 SFT datasets * 50万条中文ChatGPT指令Belle数据集：[BelleGroup/train_0.5M_CN](https://huggingface.co/datasets/BelleGroup/train_0.5M_CN) * 100万条中文ChatGPT指令Belle数据集：[BelleGroup/train_1M_CN](https://huggingface.co/datasets/BelleGroup/train_1M_CN) * 5万条英文ChatGPT指令Alpaca数据集：[50k English Stanford Alpaca dataset](https://github.com/tatsu-lab/stanford_alpaca#data-release) * 2万条中文ChatGPT指令Alpaca数据集：[shibing624/alpaca-zh](https://huggingface.co/datasets/shibing624/alpaca-zh) * 69万条中文指令Guanaco数据集(Belle50万条+Guanaco19万条)：[Chinese-Vicuna/guanaco_belle_merge_v1.0](https://huggingface.co/datasets/Chinese-Vicuna/guanaco_belle_merge_v1.0) * 240万条中文医疗数据集(包括预训练数据和指令微调数据集)：[shibing624/medical](https://huggingface.co/datasets/shibing624/medical) * 5万条英文ChatGPT多轮对话数据集：[RyokoAI/ShareGPT52K](https://huggingface.co/datasets/RyokoAI/ShareGPT52K) * 80万条中文ChatGPT多轮对话数据集：[BelleGroup/multiturn_chat_0.8M](https://huggingface.co/datasets/BelleGroup/multiturn_chat_0.8M) * 116万条中文ChatGPT多轮对话数据集：[fnlp/moss-002-sft-data](https://huggingface.co/datasets/fnlp/moss-002-sft-data) ## 3.2 Reward Model datasets * 原版的oasst1数据集：[OpenAssistant/oasst1](https://huggingface.co/datasets/OpenAssistant/oasst1) * 2万条多语言oasst1的reward数据集：[tasksource/oasst1_pairwise_rlhf_reward](https://huggingface.co/datasets/tasksource/oasst1_pairwise_rlhf_reward) * 11万条英文hh-rlhf的reward数据集：[Dahoas/full-hh-rlhf](https://huggingface.co/datasets/Dahoas/full-hh-rlhf) * 9万条英文reward数据集(来自Anthropic's Helpful Harmless dataset)：[Dahoas/static-hh](https://huggingface.co/datasets/Dahoas/static-hh) * 7万条英文reward数据集（来源同上）：[Dahoas/rm-static](https://huggingface.co/datasets/Dahoas/rm-static) * 7万条繁体中文的reward数据集（翻译自rm-static）[liswei/rm-static-m2m100-zh](https://huggingface.co/datasets/liswei/rm-static-m2m100-zh) * 7万条英文Reward数据集：[yitingxie/rlhf-reward-datasets](https://huggingface.co/datasets/yitingxie/rlhf-reward-datasets) * 3千条中文知乎问答偏好数据集：[liyucheng/zhihu_rlhf_3k](https://huggingface.co/datasets/liyucheng/zhihu_rlhf_3k) 参考链接：https://github.com/shibing624/textgen 如果github进入不了也可进入 免费下载相关资料