训练自己的GPT2-Chinese模型

文章目录

效果抢先看

通用中文模型1
通用中文模型2
通用中文模型3
通用中文模型4

准备工作

从GitHub上拉去项目到本地，准备已训练好的模型百度网盘：提取码【9dvu】。

gpt2对联训练模型
gpt2古诗词训练模型
gpt2通用中文模型
gpt2通用中文小模型
gpt2文学散文训练模型
gpt2中文歌词模型

环境搭建

配置好GPU的pytorch环境
a. 安装Anaconda环境
b. NIVIDA配置流程
桌面右键鼠标，找到NVIDIA控制面板，在左边找到开发者下管理GPU性能计数器，导航栏点击桌面选择启用开发者设置，弹出的系统信息中找到组件，找到产品名前缀为NVIDIA CUDA的那一条，记住其后面的版本号。
c. 进入NVIDIA官网下载CUDA，找到上一步记录的NVIDIA CUDA后的版本号相对应的链接。如版本信息为11.4就选择11.4

d. 下载完点击安装就行了
e. 安装cuDNN，选择相应的版本。这个地方要登录账号，没有账号可以注册，也可以选择QQ或微信登录，选择刚才的CUDA版本，下载压缩包

f. 下载完成后解压缩，并修改根目录名为cudnn

g. 将整个文件复制到xxx\NVIDIA GPU Computing Toolkit\CUDA\v11.4目录下

h. 设置变量环境，添加两个环境变量路径，根据自己的实际情况目录修改

在这里插入图片描述

pytorch配置
a. 去pytorch官网找到相应的gpu版本或cpu版本，找到后安装命令会出现在command栏

找不到自己的版本点击previous version链接

b. 使用管理员身份执行cmd，否则会安装失败

conda install pytorch torchvision torchaudio cudatoolkit=11.3 -c pytorch

安装完成之后执行命令conda list查看是否安装成功

打开终端输入python，使用以下代码查看torch显示GPU不可用状态
```
>>>import torch
>>>torch.cuda.is_available()
False
```
c. 标准查看torch版本
```
>>>import torch
>>>torch.__version__
1.10.2 
```
pytorch轮子配置
a. whl轮子配置，根据CUDA版本选择相应的版本。其中cu表示GPU版本，cpu表示CPU版本

b. 下载完成之后本地使用pip install 安装
```
pip install .\torchvision-0.13.1+cpu-cp39-cp39-win_amd64.whl
pip install .\torch-1.10.2+cu113-cp39-cp39-win_amd64.whl
```
c. 安装完成之后验证torch
```
>>>import torch
>>>torch.cuda.is_available()
True
```

创建虚拟环境

为了能够顺利使用环境，推荐使用python3.7.1版本
```
conda create -n venv_name python=3.7.1
```
激活虚拟环境
```
conda activate venv_name
```

pip安装所需库

pip install transformers==2.1.1
pip install tensorflow==2.0.0 
pip install numpy
pip install tqdm
pip install sklearn
pip install keras
pip install tb-nightly
pip install future
pip install thulac
pip install setuptools==59.5.0

pip install torch==1.10.2+cu113 torchvision==0.3.0 --extra-index-url

训练&预测

项目结构

config: 存放模型的配置文件
data: 存放训练数据
model: 存放模型
cache: 用于模型训练之前的数据预处理
sample: 用于存放生成样本的目录
generate.py: 生成代码
train.py: 训练多文本启动代码
train_single.py: 训练但文本启动代码
tokenizations: 用于文本数据转换tokenizations的脚本

模型预测续写

参数说明：

length: 生成的最长长度
prefix: 文章开头
fast_pattern: 快速生成模式
save_samples: 保存生成文本结果的位置

temperature: 越小越遵循训练样本，续写的内容的思维越发散

# 通用模型预测文本
python ./generate.py --length=100 --nsamples=4 --prefix=天津是一座美丽的城市。 --fast_pattern --save_samples ----model_path=model/use_model --model_config=config/model_config_small.json --topk=8 --temperature=0.8 --batch_size=2

# 制定模型输出
python ./generate.py --length=300 --nsamples=4 --prefix=萧炎，斗之力。 --fast_pattern --save_samples --model_path=model/model_epoch18 --model_config=model/model_epoch18/config.json --topk=8 --temperature=1 --batch_size=1

其他参数参考：
在这里插入图片描述

训练模型

将训练语料以train.json的格式放入data目录中

如果文件格式为train.json格式，那么将train.py文件中的读取方式为：lines = json.load(f)
如果文件格式为train.txt格式，即数据格式为[”正文1“, ”正文2“, ”正文3“]，那么将train.py文件中的读取方式为：lines = f.readlines()

运行train.py文件并设定--raw参数，会自动预处理数据，预处理完成之后，会自动执行训练。

python train.py --raw

遇到的问题及解决办法

显存不足

语料太大：在config文件中选择小一点的json文件
batch_size过大：默认训练是8，可以改成4或者6尝试

生成的内容一样

修改generate.py中的batch_size=1

文末

此训练结果生成比较简单的文章还可以，但是需要达到理想的效果，还需要更大的数据体系和语料以及长期的模型训练，基于原有的算法二次开发，门槛也比较高，而且这种业务比较吃硬件资源。