Merge remote-tracking branch 'refs/remotes/origin/main'
Browse files
README.md
ADDED
|
@@ -0,0 +1,51 @@
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
| 1 |
+
---
|
| 2 |
+
language:
|
| 3 |
+
- ja
|
| 4 |
+
- zh
|
| 5 |
+
- en
|
| 6 |
+
pipeline_tag: text-generation
|
| 7 |
+
---
|
| 8 |
+
[ChatGLM3-6B](https://github.com/THUDM/ChatGLM3)是一个中英双语大模型，本项目为ChatGLM3-6B加入日文能力。
|
| 9 |
+
通过sentencepiece在日文wiki和青空文库上训练BPE的tokenizer，词表扩充14000（64789 -> 78554），相比原生ChatGLM3的日文编码效率提升接近一倍，中文英文编码效率不变。
|
| 10 |
+
|
| 11 |
+
共有两个模型：
|
| 12 |
+
- [ChatGLM3-Japanese-Zero]( https://huggingface.co/dummy-foo/ChatGLM3-Japanese-Zero )：本模型，经过扩词表和resize后的模型，保留了ChatGLM3的中英文能力，尚无日文能力，但因为编码效率高，适合在日文语料上训练。
|
| 13 |
+
- [ChatGLM3-Japanese](https://huggingface.co/dummy-foo/ChatGLM3-Japanese)：还在训练中，一周内更新，对ChatGLM3-Japanese-Zero进行日文语料增量预训练和指令微调的模型，可以日文对话。
|
| 14 |
+
|
| 15 |
+
[GitHub](https://github.com/akiragy/ChatGLM3-Japanese)上有全流程的代码，包含训练tokenizer和训练模型。
|
| 16 |
+
|
| 17 |
+
使用样例:
|
| 18 |
+
```python
|
| 19 |
+
import torch
|
| 20 |
+
from transformers import AutoModelForCausalLM, AutoTokenizer
|
| 21 |
+
|
| 22 |
+
tokenizer = AutoTokenizer.from_pretrained("dummy-foo/ChatGLM3-Japanese-Zero", trust_remote_code=True)
|
| 23 |
+
model = AutoModelForCausalLM.from_pretrained("dummy-foo/ChatGLM3-Japanese-Zero", trust_remote_code=True, device_map='cuda:0', torch_dtype=torch.float16)
|
| 24 |
+
|
| 25 |
+
# test Chinese chat, 预期得到和原生模型相同效果的答案
|
| 26 |
+
response, _ = model.chat(tokenizer, "你是谁", history=[])
|
| 27 |
+
print("\nQ：你是谁，A：", response)
|
| 28 |
+
response, _ = model.chat(tokenizer, "你喜欢甜粽子还是咸粽子", history=[])
|
| 29 |
+
print("\nQ：你喜欢甜粽子还是咸粽子，A：", response)
|
| 30 |
+
|
| 31 |
+
# test Japanese chat, まったく無意味な答えが得られるでしょう
|
| 32 |
+
response, _ = model.chat(tokenizer, "あなたは誰ですか", history=[])
|
| 33 |
+
print("\nQ：あなたは誰ですか，A：", response)
|
| 34 |
+
response, _ = model.chat(tokenizer, "すみません、ちょっとお聞きしたいことがあるんですが", history=[])
|
| 35 |
+
print("\nQ：すみません、ちょっとお聞きしたいことがあるんですが，A：", response)
|
| 36 |
+
|
| 37 |
+
# test Japanese tokenizer
|
| 38 |
+
print("\ntokens: ", tokenizer.tokenize("恥の多い生涯を送って来ました。自分には、人間の生活というものが、見当つかないのです。"))
|
| 39 |
+
```
|
| 40 |
+
|
| 41 |
+
分词结果都是一些有意义的token：
|
| 42 |
+
```python
|
| 43 |
+
['▁', '恥', 'の多い', '生涯', 'を送', 'って', '来ました', '。', '自分に', 'は', '、', '人間の', '生活', 'というもの', 'が', '、', '見', '当', 'つかない', 'のです', '。']
|
| 44 |
+
```
|
| 45 |
+
而原生ChatGLM3的分词结果，除了“生涯”和“生活”因为和中文重合而成为词组外，其他的都被单独切分。
|
| 46 |
+
```python
|
| 47 |
+
['▁', '恥', 'の', '多', 'い', '生涯', 'を', '送', 'っ', 'て', '来', 'ま', 'し', 'た', '。', '自', '分', 'に', 'は', '、', '人', '間', 'の', '生活', 'と', 'い', 'う', 'も', 'の', 'が', '、', '見', '当', 'つ', 'か', 'な', 'い', 'の', 'で', 'す', '。']
|
| 48 |
+
```
|
| 49 |
+
|
| 50 |
+
|
| 51 |
+
更多分词效率对比见GitHub仓库，结论大致为：原生ChatGLM3平均对1个日文汉字或假名切分为1个token，ChatGLM3-Japanese-Zero只切分成0.54个token，编码效率接近翻倍，大大提升日文的训练和推理效率。
|