HuggingFace - config.json 中的 GPT2 Tokenizer 配置

Question

已在 huggingface-models 中上传 GPT2 微调模型用于推理

在推理过程中观察到以下错误，

无法使用 from_pretrained 加载分词器，请更新其配置：无法为 'bala1802/model_1_test' 加载分词器。确保： - 'bala1802/model_1_test' 是 'https://huggingface.co/models' 上列出的正确模型标识符 - 或者 'bala1802/model_1_test' 是包含相关分词器文件的目录的正确路径

下面是 Finetuned huggingface 模型的配置 - config.json 文件，

{
  "_name_or_path": "gpt2",
  "activation_function": "gelu_new",
  "architectures": [
    "GPT2LMHeadModel"
  ],
  "attn_pdrop": 0.1,
  "bos_token_id": 50256,
  "embd_pdrop": 0.1,
  "eos_token_id": 50256,
  "gradient_checkpointing": false,
  "initializer_range": 0.02,
  "layer_norm_epsilon": 1e-05,
  "model_type": "gpt2",
  "n_ctx": 1024,
  "n_embd": 768,
  "n_head": 12,
  "n_inner": null,
  "n_layer": 12,
  "n_positions": 1024,
  "resid_pdrop": 0.1,
  "summary_activation": null,
  "summary_first_dropout": 0.1,
  "summary_proj_to_labels": true,
  "summary_type": "cls_index",
  "summary_use_proj": true,
  "task_specific_params": {
    "text-generation": {
      "do_sample": true,
      "max_length": 50
    }
  },
  "transformers_version": "4.3.2",
  "use_cache": true,
  "vocab_size": 50257
}

我是否应该像 config.json 文件中的 "model_type": "gpt2" 一样配置 GPT2 Tokenizer

Answer 1

您的存储库不包含创建分词器所需的文件。您似乎只上传了模型的文件。创建一个用于训练模型的分词器对象，并使用 save_pretrained():

保存所需的文件

from transformers import GPT2Tokenizer

t = GPT2Tokenizer.from_pretrained("gpt2")
t.save_pretrained('/SOMEFOLDER/')

输出：

('/SOMEFOLDER/tokenizer_config.json',
 '/SOMEFOLDER/special_tokens_map.json',
 '/SOMEFOLDER/vocab.json',
 '/SOMEFOLDER/merges.txt',
 '/SOMEFOLDER/added_tokens.json')

HuggingFace - config.json 中的 GPT2 Tokenizer 配置

HuggingFace - GPT2 Tokenizer configuration in config.json

language-model

pytorch

huggingface-transformers

huggingface-tokenizers

gpt-2