pko-t5

pko-t5 는 한국어 전용 데이터로 학습한 t5 v1.1 모델입니다.

한국어를 tokenize 하기 위해서 sentencepiece 대신 OOV 가 없는 BBPE 를 사용했으며 한국어 데이터 (나무위키, 위키피디아, 모두의말뭉치 등..) 를 T5 의 span corruption task 를 사용해서 unsupervised learning 만 적용하여 학습을 진행했습니다.

pko-t5 를 사용하실 때는 실제 task 에 파인튜닝하여 사용하시기 바랍니다.

Download Model

Model	transformers
pko-t5-small	transformers
pko-t5-base	transformers
pko-t5-large	transformers

Usage

transformers 의 API 를 사용하여 접근 가능합니다. tokenizer 를 사용할때는 T5Tokenizer 가 아니라 T5TokenizerFast 를 사용해주십시오. model 은 T5ForConditionalGeneration 를 그대로 활용하시면 됩니다.

Pre-training Example

Single-node pre-training

python3 -m torch.distributed.launch \
  --use_env \
  --nproc_per_node 8
  --logidr {specific log directory}
  -m pkot5.pretraining \
  --grpc_endpoint <grpc_endpoint>
  --model_size <model_size>  # ex: small, base, large
  --resume_checkpoint <ckpt_step>  # ex: 200000

multi-node pre-training

python3 -m torch.distributed.launch \
  --use_env \
  --nproc_per_node 8
  --nnode <num nodes>
  --node_rank <node_rank>
  --master_addr <master_addr>  # ex: node 0
  --logidr {specific log directory}
  -m pkot5.pretraining \
  --grpc_endpoint <grpc_endpoint>
  --model_size <model_size>  # ex: small, base, large
  --resume_checkpoint <ckpt_step>  # ex: 200000

Fine-tuning Example

from transformers import T5TokenizerFast, T5ForConditionalGeneration

tokenizer = T5TokenizerFast.from_pretrained('paust/pko-t5-base')
model = T5ForConditionalGeneration.from_pretrained('paust/pko-t5-base')

input_ids = tokenizer(["qa question: 당신의 이름은 무엇인가요?"]).input_ids
labels = tokenizer(["T5 입니다."]).input_ids
outputs = model(input_ids=input_ids, labels=labels)

print(f"loss={outputs.loss} logits={outputs.logits}")

Klue 평가 (dev)

	Model	ynat (macro F1)	sts (pearsonr/F1)	nli (acc)	ner (entity-level F1)	re (micro F1)	dp (LAS)	mrc (EM/F1)
	Baseline	87.30	93.20/86.13	89.50	86.06	71.06	87.93	75.26/-
FT	pko-t5-small (77M)	86.21	77.99/77.01	69.20	82.60	66.46	93.15	43.81/46.58
FT	pko-t5-base (250M)	87.29	90.25/83.43	79.73	87.80	67.23	97.28	61.53/64.74
FT	pko-t5-large (800M)	87.12	92.05/85.24	84.96	88.18	75.17	97.60	68.01/71.44
MT	pko-t5-small	84.54	68.50/72/02	51.16	74.69	66.11	80.40	43.60/46.28
MT	pko-t5-base	86.89	83.96/80.30	72.03	85.27	66.59	95.05	61.11/63.94
MT	pko-t5-large	87.57	91.93/86.29	83.63	87.41	71.34	96.99	70.70/73.72

FT: 싱글태스크 파인튜닝 / MT: 멀티태스크 파인튜닝
Baseline: KLUE 논문에서 소개된 dev set 에 대한 SOTA 점수

위의 klue 평가는 input_ids 의 max length를 1300 으로 하여 학습했습니다. 이렇게 하면 encoding 된 context 가 train=98.4% / dev=100% 로 커버가 됩니다.

MRC에 대한 추가 실험 평가

max length를 512 로 하여 context 를 슬라이딩해서 학습
context 이외에 title 을 포함하여 학습

	(1) EM / F1	(2) EM / F1
small	42.20/45.03	46.85/50.46
base	57.06/60.20	63.12/67.38
large	61.53/64.94	70.15/74.20

title 을 포함했을 때 성능이 좀 더 좋지만 그에 따라 sequence length 가 늘어났습니다.

License

PAUST에서 만든 pko-t5는 MIT license 하에 공개되어 있습니다.

References

Citation

@software{paust_pkot5_v1,
  author = {Dennis Park},
  month = {5},
  title = {pko-t5: PAUST Korean T5 for text-to-text unified framework},
  url = {https://github.com/paust-team/pko-t5},
  version = {1.0},
  year = {2022}
}

switiz/pko-t5