Update README.md
Browse files
README.md
CHANGED
|
@@ -1,4 +1,42 @@
|
|
| 1 |
---
|
| 2 |
license: mit
|
|
|
|
|
|
|
|
|
|
|
|
|
| 3 |
---
|
| 4 |
-
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
| 1 |
---
|
| 2 |
license: mit
|
| 3 |
+
widget:
|
| 4 |
+
- text: 오늘 아침 정부는 발표를 통해
|
| 5 |
+
- text: |
|
| 6 |
+
아 배고프다
|
| 7 |
---
|
| 8 |
+
|
| 9 |
+
## 모델 구성
|
| 10 |
+
- GPT-J(Flax, Pytorch)
|
| 11 |
+
- 12 Layers, 768 hidden dim, 3072 intermediate, 12 heads, 51200 vocab size
|
| 12 |
+
- 1024 max_seq_len
|
| 13 |
+
- 파라미터 수: 163M
|
| 14 |
+
|
| 15 |
+
## 학습 환경 및 하이퍼파라미터
|
| 16 |
+
- TPU V2-8
|
| 17 |
+
- Learning Rate: 6e-4, Batch Size: 8(x8), Scheudler: Linear, WarmUp: 1000 step
|
| 18 |
+
- adam_beta1=0.9 adam_beta2=0.98, weight_decay=0.01
|
| 19 |
+
- Training Steps: 315000 (3 epoch)
|
| 20 |
+
- 학습 토큰 수: 57.67B (315000step * 3epoch * 1024seq * 8dev * 8batch / 1024^3)
|
| 21 |
+
- 학습 기간: 2022/12/15 ~ 2022/12/17, 2일 14시간 소요
|
| 22 |
+
|
| 23 |
+
## 학습에 사용한 데이터
|
| 24 |
+
- AIHub SNS 대화(747MB)
|
| 25 |
+
- AIHub 구어체(435MB)
|
| 26 |
+
- AIHub 도서(1.6MB)
|
| 27 |
+
- AIHub 대규모 웹데이터 기반 한국어 말뭉치(11.1GB)
|
| 28 |
+
- 한국어 위키(773MB)
|
| 29 |
+
- 나무위키(5.8GB)
|
| 30 |
+
- 국립국어원 메신저 대화(21MB)
|
| 31 |
+
- 국립국어원 일상대화 말뭉치(29.5MB)
|
| 32 |
+
- 국립국어원 문어 말뭉치(2.91GB)
|
| 33 |
+
- 국립국어원 구어 말뭉치(1.1GB)
|
| 34 |
+
- 국립국어원 뉴스 말뭉치(14.16GB)
|
| 35 |
+
- 청와대 국민청원(651.8MB)
|
| 36 |
+
- KcBERT Pre-Training Corpus(11.86GB)
|
| 37 |
+
데이터셋 크기는 전처리한 jsonl파일을 기준으로 함.
|
| 38 |
+
총 토큰 수는 약 19B임
|
| 39 |
+
## Issues
|
| 40 |
+
- [ ] 나무위키 전처리가 잘못되어 }}}가 자주 등장.. 추후 재학습 예정
|
| 41 |
+
## 주의사항
|
| 42 |
+
이 모델의 학습 데이터는 각종 차별/혐오 데이터가 포함되어있으며, 별로의 제거작업을 진행하지 않았습니다. 따라서 모델이 생성하는 문장에 특정 인물이나 인종, 성별, 장애에 따른 차별/혐오발언을 생성할 수 있습니다.
|