Outils pour utilisateurs

Outils du site


aitextgen

Différences

Ci-dessous, les différences entre deux révisions de la page.

Lien vers cette vue comparative

Les deux révisions précédentesRévision précédente
Prochaine révision
Révision précédente
aitextgen [2020/06/24 16:29] – [Configuration] sergeaitextgen [2022/02/08 15:59] (Version actuelle) – Tag0 Removed: text_gen serge
Ligne 1: Ligne 1:
 ====== Génération de textes avec aitextgen et GPT-2====== ====== Génération de textes avec aitextgen et GPT-2======
 +
 +<WRAP center round box 60% centeralign>
 +**{{tagpage>ia|Intelligence Artificielle}}**     **[[http://translate.google.com/translate?hl=&sl=auto&tl=en&u=https%3A%2F%2Fressources.labomedia.org%2Faitextgen|English Version]]**
 +</WRAP>
 +<WRAP center round box 60% centeralign>
 +**[[les_pages_intelligence_artificielle_en_details|Les Pages Intelligence Artificielle en détails]]**
 +</WRAP>
  
 <WRAP center round box 80% centeralign> <WRAP center round box 80% centeralign>
-**{{tagpage>tal|Traitement Automatique du Langage}}** **{{tagpage>ia|Intelligence Artificielle}}**  +**{{tagpage>tal|Traitement Automatique du Langage}}**  
 </WRAP> </WRAP>
  
 <WRAP center round box 80% centeralign> <WRAP center round box 80% centeralign>
-**Cette page est la suite de [[textgenrnn|Générer du texte en python avec textgenrnn]]**+**Cette page est la suite de [[archives:textgenrnn|Générer du texte en python avec textgenrnn]]**
 </WRAP> </WRAP>
  
 <WRAP center round box 80% centeralign> <WRAP center round box 80% centeralign>
-Les chercheurs retardent la publication de leurs recherches car ils estiment que GPT2 a un potentiel « trop dangereux », étant donné que cette IA pourrait à terme servir à des actes mal intentionnées comme générer des avis négatifs ou positifs sur des produits, des spams, des textes complotistes, voire des fausses nouvelles. cf **[[https://fr.wikipedia.org/wiki/OpenAI#GPT2|W]]**+Les chercheurs retardent la publication de leurs recherches car ils estiment que GPT2 a un potentiel « trop dangereux », étant donné que cette IA pourrait à terme servir à des actes mal intentionnées comme générer des avis négatifs ou positifs sur des produits, des spams, des textes complotistes, voire des fausses nouvelles. cf **[[https://fr.wikipedia.org/wiki/OpenAI#GPT2|W]]**\\ 
 +Bien sûr, tout a été publié, y compris le modèle big de 1.5 Go.
 </WRAP> </WRAP>
  
-=====Quel carte graphique choisir en Juin 2020===== +=====Why do we like Word2vec?===== 
-  * **[[https://lambdalabs.com/blog/choosing-a-gpu-for-deep-learning/|Choosing the Best GPU for Deep Learning in 2020]]**+{{ :media_10:d0iwslbsoruw1j6q-w.png?direct&600 |}} 
 +  * **[[https://towardsdatascience.com/representing-text-in-natural-language-processing-1eead30e57d8|Representing text in natural language processing]]** 
 +  * **[[https://nlp.stanford.edu/pubs/glove.pdf|GloVe: Global Vectors for Word Representation]]**
  
-    * RTX 2060 (6 GB): if you want to explore deep learning in your spare time. 360€ 
-    * RTX 2070 or 2080 (8 GB): if you are serious about deep learning, but your GPU budget is $600-800. Eight GB of VRAM can fit the majority of models. 
-    * RTX 2080 Ti (11 GB): if you are serious about deep learning and your GPU budget is ~$1,200. The RTX 2080 Ti is ~40% faster than the RTX 2080. 
-    * Titan RTX and Quadro RTX 6000 (24 GB): if you are working on SOTA models extensively, but don't have budget for the future-proofing available with the RTX 8000. 4000€ 
-    * Quadro RTX 8000 (48 GB): you are investing in the future and might even be lucky enough to research SOTA deep learning in 2020. 5500€ 
 ===== Ressources ===== ===== Ressources =====
 ====aitextgen==== ====aitextgen====
Ligne 28: Ligne 33:
  
 ====OpenAI==== ====OpenAI====
-  * **[[https://fr.wikipedia.org/wiki/OpenAI|OpenAI sur Wikipedia]]**: OpenAI est une entreprise à « but lucratif plafonné » en intelligence artificielle, basée à San Francisco. L'objectif de cette société est de promouvoir et développer une intelligence artificielle à visage humain qui bénéficiera à toute l'humanité. OpenAI a mis au point une intelligence artificielle nommée **[[https://fr.wikipedia.org/wiki/OpenAI#GPT2|GPT2]]** capable d'écrire des articles de presse et des œuvres de fiction. Reposant sur un générateur de texte qui assimile les mots reçus et détermine la suite la plus logique qu'elle retransmet dans le même style, elle s'avère particulièrement performante, à tel point qu'il est impossible de faire la différence avec un texte écrit par un être humain7.\\ Les chercheurs retardent la publication de leurs recherches car ils estiment que **GPT2 a un potentiel « trop dangereux »**, étant donné que cette IA pourrait à terme servir à des actes mal intentionnées comme générer des avis négatifs ou positifs sur des produits, des spams, des textes complotistes, voire des fausses nouvelles8.  +  * **[[https://fr.wikipedia.org/wiki/OpenAI|OpenAI sur Wikipedia]]**: OpenAI est une entreprise à « but lucratif plafonné » en intelligence artificielle, basée à San Francisco. L'objectif de cette société est de promouvoir et développer une intelligence artificielle à visage humain qui bénéficiera à toute l'humanité. OpenAI a mis au point une intelligence artificielle nommée **[[https://fr.wikipedia.org/wiki/OpenAI#GPT2|GPT2]]** capable d'écrire des articles de presse et des œuvres de fiction. Reposant sur un générateur de texte qui assimile les mots reçus et détermine la suite la plus logique qu'elle retransmet dans le même style, elle s'avère particulièrement performante, à tel point qu'il est impossible de faire la différence avec un texte écrit par un être humain.\\ Les chercheurs retardent la publication de leurs recherches car ils estiment que **GPT2 a un potentiel « trop dangereux »**, étant donné que cette IA pourrait à terme servir à des actes mal intentionnées comme générer des avis négatifs ou positifs sur des produits, des spams, des textes complotistes, voire des fausses nouvelles.  
  
 ====Controverse sur GPT-2==== ====Controverse sur GPT-2====
Ligne 53: Ligne 58:
 The FlauBERT model was proposed in the paper FlauBERT: Unsupervised Language Model Pre-training for French by Hang Le et al. It’s a transformer pre-trained using a masked language modeling (MLM) objective (BERT-like). The FlauBERT model was proposed in the paper FlauBERT: Unsupervised Language Model Pre-training for French by Hang Le et al. It’s a transformer pre-trained using a masked language modeling (MLM) objective (BERT-like).
  
-===== Fables de La Fontaine ===== +=====Générateur de texte en ligne===== 
-Suite de [[textgenrnn#avec_des_fables_de_la_fontaine|Avec des fables de La Fontaine]]+  * **[[https://gpt2.ai-demo.xyz/|OpenAI GPT2 Scratch Pad]]** 
 +===== Fables de La Fontaine avec un modèle entièrement créé===== 
 +Suite de [[archives:textgenrnn#avec_des_fables_de_la_fontaine|Avec des fables de La Fontaine]]
  
 <code python training.py> <code python training.py>
Ligne 79: Ligne 86:
 def training(): def training():
     file_name  =  "./fables.txt"     file_name  =  "./fables.txt"
-    train_tokenizer(file_name)+    train_tokenizer(file_name, vocab_size=20000)
     vocab_file = "aitextgen-vocab.json"     vocab_file = "aitextgen-vocab.json"
     merges_file = "aitextgen-merges.txt"     merges_file = "aitextgen-merges.txt"
Ligne 180: Ligne 187:
  
 ====Configuration==== ====Configuration====
 +  * [[https://docs.aitextgen.io/tutorials/model-from-scratch/|Training a GPT-2 Model From Scratch]]
 +
 <code python> <code python>
 config = GPT2Config(vocab_size=20000, config = GPT2Config(vocab_size=20000,
Ligne 222: Ligne 231:
  
 ai.generate(n=1, prompt=prompt, max_length=100, temperature=0.8, return_as_list=True) ai.generate(n=1, prompt=prompt, max_length=100, temperature=0.8, return_as_list=True)
-""" +</code>
-See this article by Huggingface engineer Patrick von Platen for how sampling and +
-these parameters are used in practice.+
  
-n: Number of texts generated. +===== Mails de La Labomedia ===== 
-max_length: Maximum length of the generated text (default200; for GPT-2the maximum is 1024.) +====Configuration==== 
-prompt: Prompt that starts the generated text and is included in the generate text. (used to be prefix in previous tools) +<code python> 
-temperature: Controls the "craziness" of the text (default: 0.7+def get_config(): 
-top_k: If nonzerolimits the sampled tokens to the top k values. (default: 0+    return GPT2Config( 
-top_p: If nonzero, limits the sampled tokens to the cumulative probability+                            vocab_size=20000, 
 +                            n_positions=1024, 
 +                            n_ctx=1024, 
 +                            n_embd=768, 
 +                            n_layer=12, 
 +                            n_head=12, 
 +                            bos_token_id=0, 
 +                            eos_token_id=0, 
 +                            max_length=1024, 
 +                            dropout=0.
 +                        
 +                         
 +data = TokenDataset(file_name, 
 +                    vocab_file=vocab_file, 
 +                    merges_file=merges_file, 
 +                    block_size=64) 
 +ai.train(data, batch_size=32, num_steps=150000
 +</code>
  
-Some lesser-known-but-still-useful-parameters that are unique to Transformers:+Les datas sont trop pourries, le résultat est très médiocre ! 
 +===== Des textes dans le domaine public du Projet Gutemberg ===== 
 +**[[http://www.gutenberg.org/|Free eBooks Project Gutenberg]]** 
  
-num_beamsIf greater than 1, executes beam search for cleaner text. +Extrait de [[https://fr.wikipedia.org/wiki/Projet_Gutenberg|Projet Gutenberg]] sur Wikipedia.
-repetition_penalty: If greater than 1.0, penalizes repetition in a text to avoid infinite loops. +
-length_penalty: If greater than 1.0, penalizes text proportional to the length +
-no_repeat_ngram_size: Token length to avoid repeating given phrases.+
  
-input_context = 'The dog' +Le projet Gutenberg est une bibliothèque de versions électroniques libres de livres physiquement existantsLes textes fournis sont essentiellement du domaine publicsoit parce qu'ils n'ont jamais été sujets à des droits d'auteur soit parce que ces derniers sont expirés. Le projet fut lancé par Michael Hart en 1971 et nommé en hommage à l'imprimeur allemand du XVe siècle Johannes Gutenberg. 
-input_ids = tokenizer.encode(input_contextreturn_tensors='pt')  # encode input context +  
-""" +Ce site n'autorise pas les robots, toutes les oeuvres a été téléchargées sur [[http://www.bouquineux.com/index.php?ebooks=36&Hugo&page=1|bouquineux.com]] au format epub.
-</code>+
  
-===== Mails de La Labomedia =====+Conversion de *.epub vers *.txt avec ebook-convert, puis regroupement de tous les textes dans un seul fichier, en séparant chaque œuvre par '\n\n<|endoftext|>\n\n' 
 + 
 +Les fichiers non nettoyés font 300 Mo, et nettoyés font 280 Mo. 
 + 
 +===Nettoyage des datas==
 +Les sauts de lignes, les sommaires ... doivent être nettoyés: avec clean_txt.py 
 + 
 +Le plus grand nettoyage est fait avec une détection de langue:  
 +  from langdetect import detect_langs  
 +  je garde la ligne si langue.lang == 'fr' and langue.prob > 0.4: 
 +Cela supprime les textes en anglais, en particulier les licences, les chiffres romains ... 
 + 
 +Le nettoyage des datas est très important, ce n'est pas drôle, il faut vérifier le résultat obtenu en tapant au hasard dans le texte, ça prend un temps fou ... 
 + 
 +La génération de texte est une représentation fidèle du texte d'apprentissage: par exemple si il y a beaucoup de saut de ligne, le texte généré aura aussi plein de saut de ligne. 
 + 
 +====Training==== 
 +===OOM = Out Of Memory=== 
 +Finetuning the 355M GPT-2 model or larger on a GPU will cause the GPU to go OOM, even 16 GB VRAM GPUs 
 + 
 +  * Le fichier d'apprentissage a été coupé pour faire 112 Mo. 
 +  * vocab_size = 40 000 
 +  * batch_size = 48, valeur maxi possible avec 6 Go de Ram GPU (1060 GTX) 
 +  * Ram CPU = 16 Go, Swap=64 Go, valeur totale de l'occupation mémoire = 27 Go au moment de l'encodage du texte 
 + 
 +Efficacité au bout de 144 heures: 
 +{{ :media_10:loss.png?800 |}} 
 + 
 +=====Fables de La Fontaine avec la config de bouquineux===== 
 +==== Avec la configuration de bouquineux et vocab=40000 ==== 
 +{{ :media_10:loss_fables.png?600 |}} 
 +Remarque: Les Fables ont environ 13000 tokens, le vocab devrait se limiter à 14000 !\\ 
 +Testing pas mal mais quand même bourré d'erreur ! 
 + 
 +==== A partir du model tf_gpt2="124M" et vocab = 5000==== 
 +  * vocab_size=5000 
 +  * Apprentissage très rapide 
 +  * texte générés comme les précédents 
 + 
 +=====Fables de La Fontaine à partir du model tf_gpt2="124M" et vocab = 50275===== 
 +<WRAP center round tip 60%> 
 +C'est le meilleur générateur de texte, avec un apprentissage de 16 heures ! 
 +</WRAP> 
 +<WRAP center round tip 60%> 
 +tf_gpt2="124M" à une taille de 50275, il faut conserver cette valeur ! 
 +</WRAP> 
 +====Affinage du model existant tf_gpt2="124M"==== 
 +  * [[https://openai.com/blog/gpt-2-1-5b-release/|openai.com/blog/: GPT-2: 1.5B Release]] 
 + 
 +La ligne: 
 +  ai = aitextgen(tf_gpt2="124M"
 +va télécharger automatiquement le model.\\ 
 +Le training va affiner ce model. C'est un model construit sur un texte anglais, et pourtant cela va générer du texte français. 
 + 
 + 
 +====Shot de l'apprentissage==== 
 +Pendant le trainning, les test de generate() retourne de l'anglais découpé en petit bout ! 
 +{{ :media_10:training_2020-07-22_20-41-03.png?direct&600 |}} 
 + 
 +====Courbe de loss==== 
 +J'aimerais bien savoir à quoi ça correspond, j'ai peur que ce soit un simple calcul pas du tout représentatif! 
 +{{ :media_10:loss_small_50257.png?direct&600 |}} 
 + 
 +====Testing==== 
 +{{ :media_10:test_fables_small.png?direct&1000 |}} 
 +Le résultat comporte peu de mots mal construits, inexistants en français. Par contre, il n'y a aucun sens au texte, c'est mieux que du Nostradamus, mais c'est quasi de l'astrologie. 
 + 
 +====Développement à suivre==== 
 +Construire sur le gros model de 1.5 Go ! 
 + 
 +====Les sources sur GitHub==== 
 +  * **[[https://github.com/sergeLabo/fables_gpt2_small|fables_gpt2_small]]**
  
  
-=====Pense bête pour NFS===== 
-  * [[https://wiki.debian-fr.xyz/Partage_NFS|Partage NFS]] 
  
-{{tag>ia python python3 tal textgenrnn sb rnn}}+{{tag> ia python sb tal }}
aitextgen.1593016156.txt.gz · Dernière modification : 2020/06/24 16:29 de serge