ENGLISH

pko-t5

Blog

pko-t5 는 한국어 전용 데이터로 학습한 T5 v1.1입니다.

한국어를 tokenize 하기 위해서 sentencepiece 대신 OOV 가 없는 BBPE 를 사용했으며 한국어 데이터 (나무위키, 위키피디아, 모두의말뭉치 등..) 를 T5 의 span corruption task 를 사용해서 unsupervised learning 만 적용하여 학습을 진행했습니다.

pko-t5 를 사용하실 때는 실제 task 에 파인튜닝하여 사용하시기 바랍니다.

• Flan T5: Source Code / Model
• Chat T5: Source Code / Model

Download Model

|Model| transformers | |---|-----------------------------------------------------------| |pko-t5-small| transformers | |pko-t5-base| transformers | |pko-t5-large| transformers |

Usage

transformers 의 API 를 사용하여 접근 가능합니다. tokenizer 를 사용할때는 T5Tokenizer 가 아니라 T5TokenizerFast 를 사용해주십시오. model 은 T5ForConditionalGeneration 를 그대로 활용하시면 됩니다.

Pre-training Example

• Single-node pre-training bash python3 -m torch.distributed.launch \ --use_env \ --nproc_per_node 8 --logidr {specific log directory} -m pkot5.pretraining \ --grpc_endpoint <grpc_endpoint> --model_size <model_size> # ex: small, base, large --resume_checkpoint <ckpt_step> # ex: 200000

• multi-node pre-training bash python3 -m torch.distributed.launch \ --use_env \ --nproc_per_node 8 --nnode <num nodes> --node_rank <node_rank> --master_addr <master_addr> # ex: node 0 --logidr {specific log directory} -m pkot5.pretraining \ --grpc_endpoint <grpc_endpoint> --model_size <model_size> # ex: small, base, large --resume_checkpoint <ckpt_step> # ex: 200000

Fine-tuning Example

```python from transformers import T5TokenizerFast, T5ForConditionalGeneration

tokenizer = T5TokenizerFast.frompretrained('paust/pko-t5-base') model = T5ForConditionalGeneration.frompretrained('paust/pko-t5-base')

inputids = tokenizer(["qa question: 당신의 이름은 무엇인가요?"]).inputids labels = tokenizer(["T5 입니다."]).inputids outputs = model(inputids=input_ids, labels=labels)

print(f"loss={outputs.loss} logits={outputs.logits}") ```

Klue 평가 (dev)

| | Model | ynat (macro F1) | sts (pearsonr/F1) | nli (acc) | ner (entity-level F1) | re (micro F1) | dp (LAS) | mrc (EM/F1) | |-----|------------------------------------------------------------------|-----------------|-------------------|-----------|-----------------------|---------------|-----------|-------------| | | Baseline | 87.30 | 93.20/86.13 | 89.50 | 86.06 | 71.06 | 87.93 | 75.26/- | | FT | pko-t5-small (77M) | 86.21 | 77.99/77.01 | 69.20 | 82.60 | 66.46 | 93.15 | 43.81/46.58 | | FT | pko-t5-base (250M) | 87.29 | 90.25/83.43 | 79.73 | 87.80 | 67.23 | 97.28 | 61.53/64.74 | | FT | pko-t5-large (800M) | 87.12 | 92.05/85.24 | 84.96 | 88.18 | 75.17 | 97.60 | 68.01/71.44 | | MT | pko-t5-small | 84.54 | 68.50/72/02 | 51.16 | 74.69 | 66.11 | 80.40 | 43.60/46.28 | | MT | pko-t5-base | 86.89 | 83.96/80.30 | 72.03 | 85.27 | 66.59 | 95.05 | 61.11/63.94 | | MT | pko-t5-large | 87.57 | 91.93/86.29 | 83.63 | 87.41 | 71.34 | 96.99 | 70.70/73.72 |

• FT: 싱글태스크 파인튜닝 / MT: 멀티태스크 파인튜닝
• Baseline: KLUE 논문에서 소개된 dev set 에 대한 SOTA 점수

위의 klue 평가는 input_ids 의 max length를 1300 으로 하여 학습했습니다. 이렇게 하면 encoding 된 context 가 train=98.4% / dev=100% 로 커버가 됩니다.

MRC에 대한 추가 실험 평가

1. max length를 512 로 하여 context 를 슬라이딩해서 학습
2. context 이외에 title 을 포함하여 학습

| | (1) EM / F1 | (2) EM / F1 | |-------|-------------|-------------| | small | 42.20/45.03 | 46.85/50.46 | | base | 57.06/60.20 | 63.12/67.38 | | large | 61.53/64.94 | 70.15/74.20 |

title 을 포함했을 때 성능이 좀 더 좋지만 그에 따라 sequence length 가 늘어났습니다.

License

PAUST에서 만든 pko-t5는 MIT license 하에 공개되어 있습니다.

References

• Google T5 v1.1
• Transformers

Citation

bibtex @software{paust_pkot5_v1, author = {Dennis Park}, month = {5}, title = {pko-t5: PAUST Korean T5 for text-to-text unified framework}, url = {https://github.com/paust-team/pko-t5}, version = {1.0}, year = {2022} }