cenkersisman's picture
Update README.md
23cc4dc verified
metadata
widget:
  - text: fransa'nın başkenti
    example_title: fransa'nın başkenti
  - text: ingiltere'nın başkenti
    example_title: ingiltere'nin başkenti
  - text: italya'nın başkenti
    example_title: italya'nın başkenti
  - text: moğolistan'ın başkenti
    example_title: moğolistan'ın başkenti
  - text: amazon ormanlarının bulunduğu ülke olan
    example_title: amazon ormanlarının bulunduğu ülke olan
  - text: avrupa'yı asya'ya bağlayan şehir
    example_title: avrupa'yı asya'ya bağlayan şehir
  - text: kanguruların yaşadığı ülke olan
    example_title: kanguruların yaşadığı ülke olan
  - text: fenerbahçe'nin ezeli rakibi olan
    example_title: fenerbahçe'nin ezeli rakibi olan
  - text: tek bacaklı kurbağa
    example_title: tek bacaklı kurbağa
  - text: rize'de yağmur
    example_title: rize'de yağmur
  - text: hayatın anlamı
    example_title: hayatın anlamı
  - text: saint-joseph
    example_title: saint-joseph
  - text: renk isimleri şunlardır
    example_title: renk isimleri şunlardır
  - text: iklim değişikliği
    example_title: iklim değişikliği
  - text: tuzlu yiyecekler arasında
    example_title: tuzlu yiyecekler arasında
language:
  - tr

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 256 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 733 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. Ekranın sağındaki Inference Api ile denemelerinizde Compute butonuna cümlelerin oluşması bitene kadar basmanız gerekmektedir.

# Model ile çıkarım yapmak için örnek kod

from transformers import GPT2Tokenizer, GPT2LMHeadModel

model_name = "cenkersisman/gpt2-turkish-256-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

image/png image/png

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.