中文版unilm预训练语言模型
最近由于公司业务的需要,做了一些基于预训练seq2seq模型的文本生成式任务,研究了MASS、T5、UNILM之后,发现unilm这风格的seq2seq非常优雅。但是作者只开源了英文版的预训练模型,在git上也没找到合适的中文版unilm的预训练模型以及预训练代码,于是自己写了一个tensorflow版本。本项中预训练基于tensorflow-gpu==1.14.0,后续的微调任务基于bert4keras。
简体中文维基百科数据,处理成一行一行句子对的形式。
- 在一条数据中随机mask15%的token,被mask的token中80%用[MASK]表示,10%从vocab中随机选择一个token,10%不变。e.g. 一条可能的数据如下:[CLS] A1 A2 [MASK] A4 [SEP] B1 B2 B3 [MASK] B5 [SEP],其中A1-A4是句子1的token,B1-B5是句子2的token,A3和B4被mask。
- 根据1中masked input的结果,生成不同的attention mask,unilm原文中说有1/3的数据采用seq2seq式的attention mask策略,1/3的数据采用bert式的attention mask策略,1/6数据采用left2right的language model式的attention mask,1/6数据采用right2left的language model式的attention mask。seq2seq其实就是对应的casual with prefix attention mask(下图,其他token在这里不可以看到被mask位置的符号):
bert式对应的就是fully-visible attention mask(下图):
left2right LM对应的就是casual attention mask,每个token只能attend它和它左边的token(下图):
right2left LM与上面相反:
我们开源了预训练好的模型、代码以及预训练用到的数据,同时为了方便大家finetune,这里一同给出下游任务数据的链接
链接 | 提取码 |
---|---|
tensorflow版 | jfb3 |
pytorch版 | x2wf |
整理好的中文wiki预训练数据 | p75b |
论文标题生成数据csl | kd9h |
webqa | kteo |
微博新闻摘要 | cdtc |
- 首先确保机器上有python3的环境,推荐安装anaconda3。
- conda install tensorflow-gpu=1.14.0
- pip install keras4bert
- 下载google原版的中文版bert,chinese_L-12_H-768_A-12
- 下载数据集,https://pan.baidu.com/s/1XGkhwUePsIR3lP_quiXlCQ,提取码:p75b
- 修改base/data_load.py文件中dict_path的值,将其更改为你的bert文件夹中vocab.txt的路径
- 修改run_pretraining_google.py中37、38行,你使用几块gpu就更改为对应的值
python run_pretraining_google.py \
--bert_config_file=$BERT_BASE_DIR/bert_config.json \
--init_checkpoint=$BERT_BASE_DIR/bert_model.ckpt \
--input_file=$DATA_BASE_DIR/wiki_sent_pair.txt \
--output_dir=$OUT_PUT_BASE_DIR/checkpoint
- 首先确保机器上有python3的环境,推荐安装anaconda3。
- conda install tensorflow-gpu=1.14.0
- pip install keras4bert rouge nltk
- 下载数据集,放到dataset/目录下
- 下载预训练好的tensorflow版本的模型,https://pan.baidu.com/s/1x9eRJMt76bEPQ5nNkOkPZQ,提取码jfb3
- 以task/task_summary.py为例,将文件中config_path、checkpoint_path、dict_path改为上一步下载好的模型目录中的相关路径,model_save_path 改为自己的模型保存路径
python task_summary.py
我们做了四个下游任务,分别是论文标题生成(csl),webqa,微博新闻摘要和相似问句生成,其中前三个任务参考CLUEbencmark/CLGE 前三个任务中,我们对比了载入google原版bert权重和我们预训练的unilm权重,结果如下
csl(bleu,rouge-L) | webqa(bleu,rouge-L) | 微博新闻标题生成(bleu,rouge-L) | 相似问句生成(bleu) | |
---|---|---|---|---|
Unilm-base | 0.476, 0.648 | 0.358, 0.708 | 0.108, 0.265 | |
Bert-base | 0.452, 0.640 | 0.342, 0.676 | 0.110, 0.267 |
- pretrain和fine tune的pytorch版本,基于hugging face的transformers库
PRs accepted.
Small note: If editing the README, please conform to the standard-readme specification.
MIT © 2018 Richard McRichface