训练自己的GPT2-Chinese模型

效果抢先看

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

1. 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

2. 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
   

3. 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

1. 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
   

2. 激活 虚拟环境

   conda activate venv_name
   

3. 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：

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。