|
--- |
|
language: "id" |
|
license: "mit" |
|
datasets: |
|
- Indonesian Wikipedia |
|
widget: |
|
- text: "Pulau Dewata sering dikunjungi" |
|
--- |
|
|
|
# Indonesian GPT2 small model |
|
|
|
## Model description |
|
It is GPT2-small model pre-trained with indonesian Wikipedia using a causal language modeling (CLM) objective. This |
|
model is uncased: it does not make a difference between indonesia and Indonesia. |
|
|
|
This is one of several other language models that have been pre-trained with indonesian datasets. More detail about |
|
its usage on downstream tasks (text classification, text generation, etc) is available at [Transformer based Indonesian Language Models](https://github.com/cahya-wirawan/indonesian-language-models/tree/master/Transformers) |
|
|
|
## Intended uses & limitations |
|
|
|
### How to use |
|
You can use this model directly with a pipeline for text generation. Since the generation relies on some randomness, |
|
we set a seed for reproducibility: |
|
```python |
|
>>> from transformers import pipeline, set_seed |
|
>>> generator = pipeline('text-generation', model='cahya/gpt2-small-indonesian-522M') |
|
>>> set_seed(42) |
|
>>> generator("Kerajaan Majapahit adalah", max_length=30, num_return_sequences=5, num_beams=10) |
|
|
|
[{'generated_text': 'Kerajaan Majapahit adalah sebuah kerajaan yang pernah berdiri di Jawa Timur pada abad ke-14 hingga abad ke-15. Kerajaan ini berdiri pada abad ke-14'}, |
|
{'generated_text': 'Kerajaan Majapahit adalah sebuah kerajaan yang pernah berdiri di Jawa Timur pada abad ke-14 hingga abad ke-16. Kerajaan ini berdiri pada abad ke-14'}, |
|
{'generated_text': 'Kerajaan Majapahit adalah sebuah kerajaan yang pernah berdiri di Jawa Timur pada abad ke-14 hingga abad ke-15. Kerajaan ini berdiri pada abad ke-15'}, |
|
{'generated_text': 'Kerajaan Majapahit adalah sebuah kerajaan yang pernah berdiri di Jawa Timur pada abad ke-14 hingga abad ke-16. Kerajaan ini berdiri pada abad ke-15'}, |
|
{'generated_text': 'Kerajaan Majapahit adalah sebuah kerajaan yang pernah berdiri di Jawa Timur pada abad ke-14 hingga abad ke-15. Kerajaan ini merupakan kelanjutan dari Kerajaan Majapahit yang'}] |
|
|
|
``` |
|
Here is how to use this model to get the features of a given text in PyTorch: |
|
```python |
|
from transformers import GPT2Tokenizer, GPT2Model |
|
|
|
model_name='cahya/gpt2-small-indonesian-522M' |
|
tokenizer = GPT2Tokenizer.from_pretrained(model_name) |
|
model = GPT2Model.from_pretrained(model_name) |
|
text = "Silakan diganti dengan text apa saja." |
|
encoded_input = tokenizer(text, return_tensors='pt') |
|
output = model(**encoded_input) |
|
``` |
|
and in Tensorflow: |
|
```python |
|
from transformers import GPT2Tokenizer, TFGPT2Model |
|
|
|
model_name='cahya/gpt2-small-indonesian-522M' |
|
tokenizer = GPT2Tokenizer.from_pretrained(model_name) |
|
model = TFGPT2Model.from_pretrained(model_name) |
|
text = "Silakan diganti dengan text apa saja." |
|
encoded_input = tokenizer(text, return_tensors='tf') |
|
output = model(encoded_input) |
|
``` |
|
|
|
## Training data |
|
|
|
This model was pre-trained with 522MB of indonesian Wikipedia. |
|
The texts are tokenized using a byte-level version of Byte Pair Encoding (BPE) (for unicode characters) and |
|
a vocabulary size of 52,000. The inputs are sequences of 128 consecutive tokens. |
|
|
