在自然语言处理(NLP)领域,大语言模型(LLMs)近年来引起了广泛关注。Transformers 库中的 Pipeline 提供了一种简单而高效的方法来处理从原始文本到模型推理再到结果生成的完整流程。本篇文章将详细介绍如何利用 Pipeline 结合现代大语言模型,具体涵盖语言建模、Tokenizer 和 Model 的管理、以及模型的保存等方面。
一、使用 Pipeline 进行语言建模
语言建模的核心任务是预测文本序列中的下一个单词。这项技术在 NLP 中扮演着重要角色,特别是在预训练的语言模型中,它们可以用于多种下游任务的微调。我们将重点介绍如何使用 Pipeline 调用大语言模型,具体包括 GPT-2 的文本生成和 BERT-Base-Chinese 的中文补全。
1. 使用 GPT-2 实现文本生成
GPT-2 是一种自回归语言模型,其任务是根据给定的上下文生成下一段文本。使用 Pipeline 调用 GPT-2 可以轻松实现文本生成。
from transformers import pipeline
# 创建一个文本生成的 Pipeline
generator = pipeline("text-generation", model="gpt-2")
# 生成文本
result = generator("Hello, I am an AI model", max_length=50, num_return_sequences=3)
print(result)
在这个示例中,我们创建了一个文本生成 Pipeline,并指定了生成文本的最大长度和返回结果的条数。GPT-2 根据输入文本生成多种可能的输出,帮助我们快速获取生成的文本内容。
2. 使用 BERT-Base-Chinese 实现中文补全
BERT-Base-Chinese 是一种自编码语言模型,其任务是理解上下文,并预测被掩盖的单词。使用 Pipeline 调用 BERT 可以实现中文文本的自动补全。
from transformers import pipeline
# 创建一个填充掩码的 Pipeline
fill_mask = pipeline("fill-mask", model="bert-base-chinese")
# 执行中文补全
result = fill_mask("今天是一个[MASK]的日子")
print(result)
在这个示例中,[MASK] 代表需要补全的词汇。BERT-Base-Chinese 将根据上下文预测出最合适的词汇,从而完成文本的补全任务。
二、使用 AutoClass 高效管理 Tokenizer 和 Model
Transformers 库中的 AutoClass 提供了自动加载预训练模型和分词器的功能,简化了模型的使用过程。我们可以通过 from_pretrained() 方法快速加载所需的模型和分词器。
1. 使用 from_pretrained() 方法加载模型和分词器
from transformers import AutoTokenizer, AutoModel
# 加载 BERT-Base-Chinese 的 Tokenizer 和 Model
tokenizer = AutoTokenizer.from_pretrained("bert-base-chinese")
model = AutoModel.from_pretrained("bert-base-chinese")
这段代码将自动下载并加载 BERT-Base-Chinese 模型及其分词器,使得我们能够直接使用这些预训练的资源进行后续的任务。
2. 使用 BERT Tokenizer 编码文本
Tokenization 是将文本转换为模型可以理解的格式的过程,包括分词和映射。我们可以使用 tokenizer.encode() 方法来进行编码:
# 编码文本
inputs = tokenizer("你好,长沙!", return_tensors="pt")
print(inputs)
这段代码将文本转换为模型所需的输入格式,返回一个包含 input_ids、token_type_ids 和 attention_mask 的字典。这些信息对于模型的推理至关重要。
3. 编解码多段文本
对于多个文本的处理,我们可以使用 tokenizer.__call__() 方法,该方法会自动处理文本的编码和特殊字符的补全:
# 编码多段文本
texts = ["你好", "长沙"]
inputs = tokenizer(texts, padding=True, truncation=True, return_tensors="pt")
print(inputs)
这段代码处理多个文本,自动进行填充和截断,以适应模型的输入要求。
三、添加新 Token
在实际应用中,我们可能会遇到词汇表中不存在的新词汇。Transformers 库提供了添加新 Token 的方法,以适应这些新词汇的需求。
1. 添加常规 Token
如果我们需要添加常规的 Token,可以使用 add_tokens() 方法:
# 添加新 Token
new_tokens = ["新词汇"]
tokenizer.add_tokens(new_tokens)
2. 添加特殊 Token
对于特殊用途的 Token,可以使用 add_special_tokens() 方法:
# 添加特殊 Token
special_tokens_dict = {'additional_special_tokens': ["[NEW_TOKEN]"]}
tokenizer.add_special_tokens(special_tokens_dict)
这两种方法可以扩展现有的词汇表,以包含新的词汇和特殊字符。
四、保存模型和分词器
在模型和分词器的使用过程中,可能需要保存修改后的模型和分词器以便后续使用。Transformers 库提供了便捷的保存方法。
1. 保存模型和分词器
# 保存 Tokenizer 和 Model
tokenizer.save_pretrained("./models/new-bert-base-chinese")
model.save_pretrained("./models/new-bert-base-chinese")
保存模型时,会在指定路径下生成以下文件:
-
config.json:模型配置文件,包含模型结构参数。
-
pytorch_model.bin:模型权重文件,存储模型的权重数据。
保存分词器时,会生成以下文件:
-
tokenizer.json:分词器元数据文件。
-
special_tokens_map.json:特殊字符映射配置文件。
-
tokenizer_config.json:分词器基础配置文件。
-
vocab.txt:词表文件。
-
added_tokens.json:新增 Token 的配置文件。
五、总结
通过 Transformers 库中的 Pipeline 和 AutoClass,我们可以高效地进行大语言模型的应用。这些工具不仅简化了模型的加载和管理,还使得语言建模、Tokenization 和模型保存变得更加便捷。希望本文能为您在使用大语言模型时提供实用的指导,帮助您更好地完成各种 NLP 任务。
读者福利:如果大家对大模型感兴趣,这套大模型学习资料一定对你有用
对于0基础小白入门:
如果你是零基础小白,想快速入门大模型是可以考虑的。
一方面是学习时间相对较短,学习内容更全面更集中。
二方面是可以根据这些资料规划好学习计划和方向。
包括:大模型学习线路汇总、学习阶段,大模型实战案例,大模型学习视频,人工智能、机器学习、大模型书籍PDF。带你从零基础系统性的学好大模型!
😝有需要的小伙伴,可以保存图片到wx扫描二v码免费领取【保证100%免费
】🆓
👉AI大模型学习路线汇总👈
大模型学习路线图,整体分为7个大的阶段:(全套教程文末领取哈)
第一阶段: 从大模型系统设计入手,讲解大模型的主要方法;
第二阶段: 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用;
第三阶段: 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统;
第四阶段: 大模型知识库应用开发以LangChain框架为例,构建物流行业咨询智能问答系统;
第五阶段: 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型;
第六阶段: 以SD多模态大模型为主,搭建了文生图小程序案例;
第七阶段: 以大模型平台应用与开发为主,通过星火大模型,文心大模型等成熟大模型构建大模型行业应用。
👉大模型实战案例👈
光学理论是没用的,要学会跟着一起做,要动手实操,才能将自己的所学运用到实际当中去,这时候可以搞点实战案例来学习。
👉大模型视频和PDF合集👈
观看零基础学习书籍和视频,看书籍和视频学习是最快捷也是最有效果的方式,跟着视频中老师的思路,从基础到深入,还是很容易入门的。
👉学会后的收获:👈
• 基于大模型全栈工程实现(前端、后端、产品经理、设计、数据分析等),通过这门课可获得不同能力;
• 能够利用大模型解决相关实际项目需求: 大数据时代,越来越多的企业和机构需要处理海量数据,利用大模型技术可以更好地处理这些数据,提高数据分析和决策的准确性。因此,掌握大模型应用开发技能,可以让程序员更好地应对实际项目需求;
• 基于大模型和企业数据AI应用开发,实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能, 学会Fine-tuning垂直训练大模型(数据准备、数据蒸馏、大模型部署)一站式掌握;
• 能够完成时下热门大模型垂直领域模型训练能力,提高程序员的编码能力: 大模型应用开发需要掌握机器学习算法、深度学习框架等技术,这些技术的掌握可以提高程序员的编码能力和分析能力,让程序员更加熟练地编写高质量的代码。
👉获取方式:
😝有需要的小伙伴,可以保存图片到wx扫描二v码免费领取【保证100%免费
】🆓