问题描述
经过一周的挣扎,我不得不来这里请教专业人士。我一直在尝试使用 PyTorch 从头开始编写我自己的 GPT 模型,我做了这部分,但现在我对如何为预训练部分准备数据感到困惑,例如我尝试使用 sentencePiece 标记器来标记我的巨大“印地语”语言语料库,但不知何故抛出错误。
那么谁能指导我如何准备印地语语料库以预训练我的 GPT,任何用于标记或准备数据的库?
这是我尝试过的:
我正在使用 tokenizers
库。
from tokenizers.models import BPE
from tokenizers import Tokenizer
from tokenizers.decoders import ByteLevel as ByteLevelDecoder
from tokenizers.normalizers import NFKC,Sequence
from tokenizers.pre_tokenizers import ByteLevel
from tokenizers.trainers import BpeTrainer
class BytePairEncodingTokenizer(object):
def __init__(self):
self.tokenizer = Tokenizer(BPE())
self.tokenizer.normalizer = Sequence([
NFKC()
])
self.tokenizer.pre_tokenizer = ByteLevel()
self.tokenizer.decoder = ByteLevelDecoder()
def bpe_train(self,paths):
trainer = BpeTrainer(vocab_size=50_000,show_progress=True,inital_alphabet=ByteLevel.alphabet(),special_tokens=[
"<s>","<pad>","</s>","<unk>","<mask>"
])
self.tokenizer.train(trainer,paths)
def save_tokenizer(self,location,prefix=None):
if not os.path.exists(location):
os.makedirs(location)
self.tokenizer.model.save(location,prefix)
tokenizer = BytePairEncodingTokenizer()
tokenizer.bpe_train("/content/drive/MyDrive/datasets/hindi/hindi.txt")
tokenizer.save_tokenizer("/content/drive/MyDrive/datasets/hindi/",prefix="hindiTokenizer")
这不适用于我的语料库。
所以主要问题是如何准备我的语料库来预训练我的 GPT。
colab 笔记本:https://colab.research.google.com/drive/1UdLrJ8zioMqsSylf4VGmETJiELP6FzFQ?usp=sharing
数据集链接:https://drive.google.com/file/d/1MKA3FMDUMRqz-_AACv068zWqdHCYamvA/view?usp=sharing
解决方法
暂无找到可以解决该程序问题的有效方法,小编努力寻找整理中!
如果你已经找到好的解决方法,欢迎将解决方案带上本链接一起发送给小编。
小编邮箱:dio#foxmail.com (将#修改为@)