详细内容或原文请订阅后点击阅览
GPT-2 的可访问性 - 文本生成和微调
使用正确的工具，使用 GPT-2 生成文本非常简单。了解如何操作，以及如何在自己的数据集上微调模型。
来源:Another Datum自然语言生成 (NLG) 是 NLP 社区中一个研究得很好的课题。随着深度学习方法的兴起，NLG 变得越来越好。最近，OpenAI 突破了极限，发布了 GPT-2 - 一个基于 Transformers 的模型，可以预测每个时间空间的下一个标记。
GPT-2 Transformers 标记现在使用这些模型非常容易 - 您无需自己实现代码，也无需使用昂贵的资源训练模型。例如，HuggingFace 发布了一款 API，可简化对 OpenAI 发布的预训练 GPT-2 的访问。它的一些功能包括生成文本，以及在您自己的数据集上微调模型 - 转移学习到的分布，以便模型从新域生成文本。
发布 API完成所有这些操作都很容易 - 只需使用 pip 安装相关包并启动 python 脚本即可。但是，为了省去麻烦，您可以使用 Spell 等可用平台之一 - 您只需指定要运行的内容，Spell 将负责其余工作（下载代码、安装包、分配计算资源、管理结果）。
Spell虽然不是 Spell 的拥护者（我甚至没有尝试过该平台的其他功能，或者根本没有尝试过其他平台），但我决定编写一个教程来详细介绍我刚刚描述的过程。要了解更多信息，您可以在此处找到教程。
此处如果您也喜欢使用机器生成的文本，请随时留下评论，分享您得到的有趣文本。 :)
更新：上述链接中的教程似乎已不再可用。虽然它有点过时（从那时起，hugging face API 已经发生了很大变化），但这里是全文：
更新 字节对编码 \(P(x_1, \ldots, x_n)\) \(x_1\) \(x_n\) \(\prod_{t=1}^{n}P(x_t|x_{ GPT-2 Transformers 架构 最近，HuggingFace 发布了简化 GPT-2 访问的 API。它的一个功能是使用预先训练的模型生成文本： \ \ \ \ \ \ \ \ \ \ \ \ \ GPT-2 Transformers 架构最近，HuggingFace 发布了简化 GPT-2 访问的 API。它的一个功能是使用预先训练的模型生成文本：
\ \ \ \ \ \ \ \ \ \ \ \ \