filipg
/
aitech-eks-pub
2
4
Fork 6
Code Issues Pull Requests Releases Wiki Activity
aitech-eks-pub/wyk/14_pretrenowanie.org

7.1 KiB
Raw Blame History

Pretrenowanie modeli

System AlphaZero uczy się grając sam ze sobą — wystarczy 24 godziny, by system nauczył się grać w szachy lub go na nadludzkim poziomie.

Pytanie: Dlaczego granie samemu ze sobą nie jest dobrym sposobem nauczenia się grania w szachy dla człowieka, a dla maszyny jest?

Co jest odpowiednikiem grania samemu ze sobą w świecie przetwarzania tekstu? Tzn. pretrenowanie (pretraining) na dużym korpusie tekstu. (Tekst jest tani!)

Jest kilka sposobów na pretrenowanie modelu, w każdym razie sprowadza się do odgadywania następnego bądź zamaskowanego słowa. W każdym razie zawsze stosujemy softmax (być może ze „sztuczkami” takimi jak negatywne próbkowanie albo hierarchiczny softamx) na pewnej representecji kontekstowej:

$$\vec{p} = \operatorname{softmax}(f(\vec{c})).$$

Model jest karany używając funkcji log loss:

$$-\log(p_j),$$

gdzie $w_j$ jest wyrazem, który pojawił się rzeczywiście w korpusie.

Przewidywanie słowa (GPT-2)

Jeden ze sposobów pretrenowania modelu to po prostu przewidywanie następnego słowa.

Zainstalujmy najpierw bibliotekę transformers.

! pip install transformers
  import torch
  from transformers import GPT2Tokenizer, GPT2LMHeadModel
  tokenizer = GPT2Tokenizer.from_pretrained('gpt2-large')
  model = GPT2LMHeadModel.from_pretrained('gpt2-large')
  text = "Warsaw is the capital city of"
  encoded_input = tokenizer(text, return_tensors='pt')
  output = model(**encoded_input)
  next_token_probs = torch.softmax(output[0][:, -1, :][0], dim=0)

  nb_of_tokens = next_token_probs.size()[0]

  _, top_k_indices = torch.topk(next_token_probs, 30, sorted=True)
  top_k_indices
  # words = tokenizer.convert_ids_to_tokens(top)

  # top_probs = []

  # for ix in range(len(top)):
  #     top_probs.append((words[ix], next_token_probs[top[ix]].item()))

  # top_probs
  [('Ġthe', 0.4415026307106018),
  ('ĠPoland', 0.236798495054245),
  ('ĠBelarus', 0.10114768147468567),
  ('ĠUkraine', 0.058283545076847076),
  ('Ġeastern', 0.020564062520861626),
  ('ĠEastern', 0.011137397028505802),
  ('ĠPolish', 0.010205904021859169),
  ('ĠWestern', 0.00833223108202219),
  ('Ġwestern', 0.006872199941426516),
  ('Ġa', 0.004939113277941942),
  ('ĠSlovakia', 0.003553805174306035),
  ('ĠLithuania', 0.003335304092615843),
  ('ĠRussia', 0.002872465644031763),
  ('Ġcentral', 0.002493523992598057),
  ('Ġmodern', 0.0022767107002437115),
  ('ĠCzech', 0.0022264323197305202),
  ('ĠPr', 0.002146221464499831),
  ('Ġformer', 0.0021054286044090986),
  ('Ġwhat', 0.0017435317859053612),
  ('ĠSlov', 0.0014634730760008097),
  ('ĠUkrainian', 0.0014347084797918797),
  ('ĠCentral', 0.0013676199596375227),
  ('ĠSouth', 0.0013484350638464093),
  ('Ġone', 0.001204205909743905),
  ('ĠNorthern', 0.0011802552035078406),
  ('ĠWest', 0.001175572513602674),
  ('ĠEast', 0.0011596156982704997),
  ('Ġsouthern', 0.0011580033460631967),
  ('Ġnorthern', 0.001110077602788806),
  ('Ġ"', 0.0010494199814274907)]

Zalety tego podejścia:

  • prostota,
  • dobra podstawa do strojenia systemów generowania tekstu zwłaszcza „otwartego” (systemy dialogowe, generowanie (fake) newsów, streszczanie tekstu), ale niekoniecznie tłumaczenia maszynowego,
  • zaskakująca skuteczność przy uczeniu few-shot i zero-shot.

Wady:

  • asymetryczność, przetwarzanie tylko z lewej do prawej, preferencja dla lewego kontekstu,
  • mniejsza skuteczność przy dostrajaniu do zadań klasyfikacji i innych zadań niepolegających na prostym generowaniu.

Przykłady modeli: GPT, GPT-2, GPT-3, DialoGPT.

Maskowanie słów (BERT)

Inną metodą jest maskowanie słów (Masked Language Modeling, MLM).

W tym podejściu losowe wybrane zastępujemy losowe słowa specjalnym tokenem ([MASK]) i każemy modelowi odgadywać w ten sposób zamaskowane słowa (z uwzględnieniem również prawego kontekstu!).

Móciąc ściśle, w jednym z pierwszych modeli tego typu (BERT) zastosowano schemat, w którym również niezamaskowane słowa są odgadywane (!):

  • wybieramy losowe 15% wyrazów do odgadnięcia
  • 80% z nich zastępujemy tokenem [MASK],
  • 10% zastępujemy innym losowym wyrazem,
  • 10% pozostawiamy bez zmian.
from transformers import AutoModelWithLMHead, AutoTokenizer
import torch

tokenizer = AutoTokenizer.from_pretrained("xlm-roberta-large")
model = AutoModelWithLMHead.from_pretrained("xlm-roberta-large")

sequence = f'II wojna światowa zakończyła się w {tokenizer.mask_token} roku.'

input_ids = tokenizer.encode(sequence, return_tensors="pt")
mask_token_index = torch.where(input_ids == tokenizer.mask_token_id)[1]

token_logits = model(input_ids)[0]
mask_token_logits = token_logits[0, mask_token_index, :]
mask_token_logits = torch.softmax(mask_token_logits, dim=1)

top_10 = torch.topk(mask_token_logits, 10, dim=1)
top_10_tokens = zip(top_10.indices[0].tolist(), top_10.values[0].tolist())

for token, score in top_10_tokens:
    print(sequence.replace(tokenizer.mask_token, tokenizer.decode([token])), f"(score: {score})")

Przykłady: BERT, RoBERTa (również Polish RoBERTa).

Podejście generatywne (koder-dekoder).

System ma wygenerować odpowiedź na różne pytania (również odpowiadające zadaniu MLM), np.:

  • "translate English to German: That is good." => "Das ist gut."
  • "cola sentence: The course is jumping well." => "not acceptable"
  • "summarize: state authorities dispatched emergency crews tuesday to survey the damage after an onslaught of severe weather in mississippi…" => "six people hospitalized after a storm in attala county"
  • "Thank you for <X> me to your party <Y> week." => <X> for inviting <Y> last <Z>
from transformers import T5Tokenizer, T5Config, T5ForConditionalGeneration

T5_PATH = 't5-base'

t5_tokenizer = T5Tokenizer.from_pretrained(T5_PATH)
t5_config = T5Config.from_pretrained(T5_PATH)
t5_mlm = T5ForConditionalGeneration.from_pretrained(T5_PATH, config=t5_config)

slot = '<extra_id_0>'

text = f'Warsaw is the {slot} of Poland.'

encoded = t5_tokenizer.encode_plus(text, add_special_tokens=True, return_tensors='pt')
input_ids = encoded['input_ids']

outputs = t5_mlm.generate(input_ids=input_ids,
                          num_beams=200, num_return_sequences=5,
                          max_length=5)

_0_index = text.index(slot)
_result_prefix = text[:_0_index]
_result_suffix = text[_0_index+len(slot):]

def _filter(output, end_token='<extra_id_1>'):
    _txt = t5_tokenizer.decode(output[2:], skip_special_tokens=False, clean_up_tokenization_spaces=False)
    if end_token in _txt:
        _end_token_index = _txt.index(end_token)
        return _result_prefix + _txt[:_end_token_index] + _result_suffix
    else:
        return _result_prefix + _txt + _result_suffix


results = [_filter(out) for out in outputs]
results

(Zob. https://arxiv.org/pdf/1910.10683.pdf)

Przykład: T5, mT5