英文

GPT-2B-001

| | |

模型描述

GPT-2B-001是基于Transformer的语言模型。GPT代表一类只有解码器的Transformer模型,类似于GPT-2和3,而2B代表可训练参数总数(20亿)[1, 2]。

该模型使用 NeMo 进行1.1T词元训练。

模型架构改进

入门指南

注意:您需要NVIDIA Ampere或Hopper GPU来使用此模型。

步骤1:安装NeMo和依赖项

您需要安装NVIDIA Apex和NeMo。

git clone https://github.com/NVIDIA/apex.git
cd apex
git checkout 03c9d80ed54c0eaa5b581bf42ceca3162f085327
pip install -v --disable-pip-version-check --no-cache-dir --global-option="--cpp_ext" --global-option="--cuda_ext" --global-option="--fast_layer_norm" --global-option="--distributed_adam" --global-option="--deprecated_fused_adam" ./
pip install nemo_toolkit['nlp']==1.17.0

或者,您可以使用预先安装了所有依赖项的NeMo Megatron训练Docker容器。

步骤2:启动评估服务器

注意:下面的示例在1个GPU上以Tensor分布式并行性(TP)为1和Pipeline分布式并行性(PP)为1启动了一个模型变体。

git clone https://github.com/NVIDIA/NeMo.git 
cd NeMo/examples/nlp/language_modeling
git checkout v1.17.0
python megatron_gpt_eval.py gpt_model_file=nemo_2b_bf16_tp1.nemo trainer.precision=bf16 server=True tensor_model_parallel_size=1 trainer.devices=1

步骤3:将提示发送给您的模型!

import json
import requests

port_num = 5555
headers = {"Content-Type": "application/json"}

def request_data(data):
    resp = requests.put('http://localhost:{}/generate'.format(port_num),
                        data=json.dumps(data),
                        headers=headers)
    sentences = resp.json()['sentences']
    return sentences


data = {
    "sentences": ["It was a warm summer morning when"]*1,
    "tokens_to_generate": 50,
    "temperature": 1.0,
    "add_BOS": False,
    "top_k": 0,
    "top_p": 0.9,
    "greedy": False,
    "all_probs": False,
    "repetition_penalty": 1.2,
    "min_tokens_to_generate": 2,
}

sentences = request_data(data)
print(sentences)

训练数据

该模型是在公开可用的数据源上获得的1.1T词元进行训练的。数据集包括53种语言和代码。

评估结果

零-shot性能。使用 LM Evaluation Test Suite from AI21 进行评估。

ARC-Challenge ARC-Easy RACE-middle Winogrande RTE BoolQA HellaSwag PiQA
0.3558 0.45300 0.3997 0.5801 0.556 0.5979 0.592 0.7437

限制

该模型是在最初从互联网上抓取的数据上进行训练的。这些数据中包含有害语言和社会偏见。因此,当使用有害提示时,模型可能会放大这些偏见并返回有毒的响应。我们没有对此检查点执行任何偏差/毒性移除或模型对齐。

参考资料

[1] Improving Language Understanding by Generative Pre-Training

[2] Megatron-LM: Training Multi-Billion Parameter Language Models Using Model Parallelism

[3] NVIDIA NeMo Toolkit

[4] GLU Variants Improve Transformer

[5] RoFormer: Enhanced Transformer with Rotary Position Embedding

许可证

使用该模型的许可受到 CC-BY-4.0 的条款约束。通过下载该模型的公共版本和发布版本,您接受 CC-BY-4.0 许可证的条款和条件。

.hf-sanitized.hf-sanitized-uAu5SzEmgnFyZPBiM-VQ8 img {display: inline;}