使用 huggingface pytorch-transformers GPT-2 进行分类任务

Question

我想用GPT-2做一个文本分类器模型。我不太确定通过 GPT-2 提取特征后应该添加什么头。例如我有一个序列。

import pytorch_transformers as pt 
import torch
text=test.iloc[1,1]
text
'If a fire wanted fanning, it could readily be fanned with a newspaper, and as the government grew weaker, I have no doubt that leather and iron acquired durability in proportion, for, in a very short time, there was not a pair of bellows in all Rotterdam that ever stood in need of a stitch or required the assistance of a hammer.'
len(text)

74
tokenizer = pt.GPT2Tokenizer.from_pretrained('gpt2')
model = pt.GPT2Model.from_pretrained('gpt2')
zz = tokenizer.tokenize(text)
z1=torch.tensor([tokenizer.convert_tokens_to_ids(zz)])
z1
tensor([[ 1532,   257,  2046,  2227,  4336,   768,    11,   340,   714, 14704,
           307,   277,  3577,   351,   257,  7533,    11,   290,   355,   262,
          1230,  6348, 17642,    11,   314,   423,   645,  4719,   326, 11620,
           290,  6953,  9477, 26578,   287,  9823,    11,   329,    11,   287,
           257,   845,  1790,   640,    11,   612,   373,   407,   257,  5166,
           286,  8966,  1666,   287,   477, 18481,   353, 11043,   326,  1683,
          6204,   287,   761,   286,   257, 24695,   393,  2672,   262,  6829,
           286,   257, 15554,    13]])
output,hidden=model(z1)
ouput.shape
torch.Size([1, 74, 768])

GPT2的输出对我来说是n x m x 768，n是batch size，m是seqence中的token个数（比如我可以pad/truncate到128），所以我不能按照论文中所说的分类任务，只需在我在 google 上搜索的 tail.And 中添加一个完全连接的层，很少提到 GPT-2 分类任务。我不确定什么是正确的。我应该在全连接层之前做 flatten/max pooling/average 池化还是其他？

Answer 1

“所以我不能像论文所说的那样做分类任务，只是在尾部添加一个全连接层。” - 这是您问题的答案。

通常，像 BERT 和 Roberta 这样的转换器具有双向自注意力，并且它们具有 [CLS] 标记，我们可以在其中输入分类器。由于 GPT-2 是左右方向的，因此您需要提供嵌入序列的最终标记。

P.S - 你能把link写到纸上吗？

Answer 2

如果您使用 GPT-2 构建模型进行文本分类，请分享。

使用 huggingface pytorch-transformers GPT-2 进行分类任务

using huggingface's pytorch- transformers GPT-2 for classifcation tasks

python

nlp

language-model

pytorch

huggingface-transformers