HuggingFace - config.json 中的 GPT2 标记器配置

Posted 2023-03-29

【中文标题】HuggingFace - config.json 中的 GPT2 标记器配置

【英文标题】：HuggingFace - GPT2 Tokenizer configuration in config.json

【发布时间】：2021-05-22 08:42:36

【问题描述】：

GPT2 微调模型上传到huggingface-models 以供推理

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“bala1802/model_1_test”是包含相关标记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

【参考方案1】：

您的存储库不包含创建标记器所需的文件。您似乎只上传了模型的文件。创建一个用于训练模型的标记器对象，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')