base_model: cenkersisman/gpt2-turkish-128-token
inference: false
language:
- tr
model_creator: cenkersisman
model_name: gpt2-turkish-128-token
pipeline_tag: text-generation
quantized_by: afrideva
tags:
- gguf
- ggml
- quantized
- q2_k
- q3_k_m
- q4_k_m
- q5_k_m
- q6_k
- q8_0
widget:
- example_title: fransa'nın başkenti
text: fransa'nın başkenti
- example_title: ingiltere'nin başkenti
text: ingiltere'nın başkenti
- example_title: italya'nın başkenti
text: italya'nın başkenti
- example_title: moğolistan'ın başkenti
text: moğolistan'ın başkenti
- example_title: amazon ormanlarının bulunduğu ülke olan
text: amazon ormanlarının bulunduğu ülke olan
- example_title: avrupa'yı asya'ya bağlayan şehir
text: avrupa'yı asya'ya bağlayan şehir
- example_title: zebraların yaşadığı kıta olan
text: zebraların yaşadığı kıta olan
- example_title: fenerbahçe'nin ezeli rakibi olan
text: fenerbahçe'nin ezeli rakibi olan
- example_title: tek bacaklı kurbağa
text: tek bacaklı kurbağa
- example_title: rize'de yağmur
text: rize'de yağmur
- example_title: hayatın anlamı
text: hayatın anlamı
- example_title: saint-joseph
text: saint-joseph
- example_title: renk isimleri şunlardır
text: renk isimleri şunlardır
- example_title: iklim değişikliği
text: iklim değişikliği
- example_title: tuzlu yiyecekler arasında
text: tuzlu yiyecekler arasında
cenkersisman/gpt2-turkish-128-token-GGUF
Quantized GGUF model files for gpt2-turkish-128-token from cenkersisman
| Name | Quant method | Size |
|---|---|---|
| gpt2-turkish-128-token.fp16.gguf | fp16 | 328.01 MB |
| gpt2-turkish-128-token.q2_k.gguf | q2_k | 81.10 MB |
| gpt2-turkish-128-token.q3_k_m.gguf | q3_k_m | 95.37 MB |
| gpt2-turkish-128-token.q4_k_m.gguf | q4_k_m | 110.07 MB |
| gpt2-turkish-128-token.q5_k_m.gguf | q5_k_m | 124.01 MB |
| gpt2-turkish-128-token.q6_k.gguf | q6_k | 135.82 MB |
| gpt2-turkish-128-token.q8_0.gguf | q8_0 | 175.27 MB |
Original Model Card:
Model
GPT-2 Türkçe Modeli
Model Açıklaması
GPT-2 Türkçe Modeli, Türkçe diline özelleştirilmiş olan GPT-2 mimarisi temel alınarak oluşturulmuş bir dil modelidir. Belirli bir başlangıç metni temel alarak insana benzer metinler üretme yeteneğine sahiptir ve geniş bir Türkçe metin veri kümesi üzerinde eğitilmiştir. Modelin eğitimi için 900 milyon karakterli Vikipedi seti kullanılmıştır. Eğitim setindeki cümleler maksimum 128 tokendan (token = kelime kökü ve ekleri) oluşmuştur bu yüzden oluşturacağı cümlelerin boyu sınırlıdır.. Türkçe heceleme yapısına uygun tokenizer kullanılmış ve model 7.5 milyon adımda yaklaşık 154 epoch eğitilmiştir. Eğitim için 4GB hafızası olan Nvidia Geforce RTX 3050 GPU kullanılmaktadır. 16GB Paylaşılan GPU'dan da yararlanılmakta ve eğitimin devamında toplamda 20GB hafıza kullanılmaktadır.
Model Nasıl Kullanılabilir
ÖNEMLİ: model harf büyüklüğüne duyarlı olduğu için, prompt tamamen küçük harflerle yazılmalıdır.
# Model ile çıkarım yapmak için örnek kod
from transformers import GPT2Tokenizer, GPT2LMHeadModel
model_name = "cenkersisman/gpt2-turkish-128-token"
tokenizer = GPT2Tokenizer.from_pretrained(model_name)
model = GPT2LMHeadModel.from_pretrained(model_name)
prompt = "okyanusun derinliklerinde bulunan"
input_ids = tokenizer.encode(prompt, return_tensors="pt")
output = model.generate(input_ids, max_length=100, pad_token_id=tokenizer.eos_token_id)
generated_text = tokenizer.decode(output[0], skip_special_tokens=True)
print(generated_text)
Eğitim Süreci Eğrisi
Sınırlamalar ve Önyargılar
Bu model, bir özyineli dil modeli olarak eğitildi. Bu, temel işlevinin bir metin dizisi alıp bir sonraki belirteci tahmin etmek olduğu anlamına gelir. Dil modelleri bunun dışında birçok görev için yaygın olarak kullanılsa da, bu çalışmayla ilgili birçok bilinmeyen bulunmaktadır.
Model, küfür, açık saçıklık ve aksi davranışlara yol açan metinleri içerdiği bilinen bir veri kümesi üzerinde eğitildi. Kullanım durumunuza bağlı olarak, bu model toplumsal olarak kabul edilemez metinler üretebilir.
Tüm dil modellerinde olduğu gibi, bu modelin belirli bir girişe nasıl yanıt vereceğini önceden tahmin etmek zordur ve uyarı olmaksızın saldırgan içerik ortaya çıkabilir. Sonuçları yayınlamadan önce hem istenmeyen içeriği sansürlemek hem de sonuçların kalitesini iyileştirmek için insanların çıktıları denetlemesini veya filtrelemesi önerilir.