使用预训练模型自动续写文本的四种方法

作者：皮皮雷 来源：投稿
编辑：学姐

这篇文章以中文通用领域文本生成为例，介绍四种常用的模型调用方法。在中文文本生成领域，huggingface上主要有以下比较热门的pytorch-based预训练模型：

本文用到了其中的uer/gpt2-chinese-cluecorpussmall和hfl/chinese-xlnet-base，它们都是在通用领域文本上训练的。

但是要注意有些模型（如CPM-Generate共有26亿参数）模型文件较大，GPU有限的情况下可能会OOM。

依赖包：transformers 4

本文使用的例句来源于豆瓣爬下的部分书评。

方法1：transformers.pipline

简介：

直接调用transformers里面的pipline。

源码及参数选择参考：

https://huggingface.co/docs/transformers/v4.17.0/en/main_classes/pipelines#transformers.pipeline

缺点：不能以batch形式生成句子，不能并行，大规模调用的时候时间复杂度较高。

from transformers import pipeline
 
#this pipline can only generate text one by one
generator = pipeline(
    'text-generation', 
    model="uer/gpt2-chinese-cluecorpussmall",  #可以直接写huggingface上的模型名，也可以写本地的模型地址
    device = 1)
 
text_inputs = ["客观、严谨、浓缩",
                "地摊文学……",
                "什么鬼玩意，",
                "豆瓣水军果然没骗我。",
                "这是一本社会新闻合集",
                "风格是有点学古龙嘛？但是不好看。"]
 
sent_gen = generator(text_inputs, 
                        max_length=100, 
                        num_return_sequences=2,
                        repetition_penalty=1.3, 
                        top_k = 20) 
#返回的sent_gen 形如#[[{'generated_text':"..."},{}],[{},{}]]
 
for i in sent_gen:
    print(i)

方法2：transformers中的TextGenerationPipeline类

源码及参数选择参考：

https://huggingface.co/docs/transformers/v4.17.0/en/main_classes/pipelines#transformers.TextGenerationPipeline

优点：相较方法1，可以设置batch size。

from transformers import BertTokenizer, GPT2LMHeadModel, TextGenerationPipeline
 
tokenizer = BertTokenizer.from_pretrained("uer/gpt2-chinese-cluecorpussmall")
model = GPT2LMHeadModel.from_pretrained("uer/gpt2-chinese-cluecorpussmall")
 
text_generator = TextGenerationPipeline(model, tokenizer, batch_size=3, device=1)
text_inputs = ["客观、严谨、浓缩",
                "地摊文学……",
                "什么鬼玩意，",
                "豆瓣水军果然没骗我。",
                "这是一本社会新闻合集",
                "风格是有点学古龙嘛？但是不好看。"]
 
gen = text_generator(text_inputs, 
                    max_length=100, 
                    repetition_penalty=10.0, 
                    do_sample=True, 
                    num_beams=5,
                    top_k=10)
 
for sent in gen:
    gen_seq = sent[0]["generated_text"]
    print("")
    print(gen_seq.replace(" ",""))
 

方法3：transformers通用方法，直接加载模型

源码及参数选择参考：

https://github.com/huggingface/transformers/blob/c4d4e8bdbd25d9463d41de6398940329c89b7fb6/src/transformers/generation_utils.py#L101

缺点：封装度较差，代码较为冗长。

优点：由于是transformers调用模型的通用写法，和其他模型（如bert）的调用方式相似，（如tokenizer的使用），可以举一反三。

from transformers import AutoTokenizer, AutoModelWithLMHead
import torch, os
 
os.environ["CUDA_VISIBLE_DEVICES"] = "2"
tokenizer = AutoTokenizer.from_pretrained("uer/gpt2-chinese-cluecorpussmall")
model = AutoModelWithLMHead.from_pretrained("uer/gpt2-chinese-cluecorpussmall")
config=model.config
 
print(config)
 
device = 'cuda' if torch.cuda.is_available() else 'cpu'
model = model.to(device)
texts = ["客观、严谨、浓缩",
                "地摊文学……",
                "什么鬼玩意，",
                "豆瓣水军果然没骗我。",
                "这是一本社会新闻合集",
                "风格是有点学古龙嘛？但是不好看。"]
#用batch输入的时候一定要设置padding
encoding = tokenizer(texts, return_tensors='pt', padding=True).to(device)
 
with torch.no_grad():
    generated_ids = model.generate(**encoding, 
    max_length=200, 
    do_sample=True, #default = False
    top_k=20, #default = 50
    repetition_penalty=3.0 #default = 1.0, use float
    ) 
generated_texts = tokenizer.batch_decode(generated_ids, skip_special_tokens=True)
 
for l in generated_texts:
    print(l)

方法4：Simple Transformers

简介：Simple Transformers基于HuggingFace的Transformers，对特定的NLP经典任务做了高度的封装。在参数的设置上也较为灵活，可以通过词典传入参数。模型的定义和训练过程非常直观，方便理解整个AI模型的流程，很适合NLP新手使用。

simple transformers 指南：

https://simpletransformers.ai/docs/language-generation-model/

优点：这个包集成了微调的代码，不仅可以直接做生成，进一步微调也非常方便。

缺点：有些中文模型不能直接输入huggingface上的模型名称进行自动下载，会报错找不到tokenizer文件，需要手动下载到本地。

$ pip install simpletransformers

下载中文生成模型到本地文件夹 models/chinese-xlnet-base

from simpletransformers.language_generation import LanguageGenerationModel
# import logging
 
# logging.basicConfig(level=logging.INFO)
# transformers_logger = logging.getLogger("transformers")
# transformers_logger.setLevel(logging.WARNING)
 
model = LanguageGenerationModel("xlnet", #model type
"models/chinese-xlnet-base", #包含 .bin file的文件路径
args={"max_length": 50, "repetition_penalty": 1.3,"top_k":100})
prompts =["客观、严谨、浓缩",
                "地摊文学……",
                "什么鬼玩意，",
                "豆瓣水军果然没骗我。",
                "这是一本社会新闻合集",
                "风格是有点学古龙嘛？但是不好看。"]
for prompt in prompts:
    # Generate text using the model. Verbose set to False to prevent logging generated sequences.
    generated = model.generate(prompt, verbose=False)
    print(generated)

观察：用gpt2-chinese-cluecorpussmall生成的文本

参数设置：

max_length=100
repetition_penalty=10.0
do_sample=True
top_k=10

注：每一段文字的开头（标蓝）是预先给定的prompt

PS：乍一看生成语句的流利度和自然度都较好，还挺像人话的；而且有些句子能够按照“书评”的方向写。但仔细看就会发现噪音较多，而且容易“自由发挥”而跑题。这就是自由文本生成的常见问题：因为过于自由而不可控。

那么如何将生成的文本限定在想要的格式或领域中呢？这就是可控文本生成的研究范围了。一个较为常见的做法是对GPT-2作增量训练，让模型熟悉当前的语境。

总结

本文列举和比较了四种使用pytorch调用生成式模型做文本生成的方式。分别是：

① transformers自带的pipline

② transformers中的TextGenerationPipeline类

③ transformers通用方法，直接加载模型

④ Simple Transformers

这些方法各有优缺点。如果需要后续微调，建议使用③或④。如果只是简单地体验生成效果，建议使用①和②，但是方法①不能以batch形式输入，速度较慢。

关注下方《学姐带你玩AI》