项目地址：https://github.com/imcaspar/gpt2-ml
Colab 演示地址：https://colab.research.google.com/github/imcaspar/gpt2-ml/blob/master/pretrained_model_demo.ipynb
既然昨天才过完双十一，那么我们先看看这个预训练模型能生成什么样的故事。如下是我们给定前提「双十一」，中文 GPT-2 生成的第一个样本：
Sample, 1 of 10
双十一，不只是剁手的节日，更是买买买的狂欢节！10 月 13 日，中国小象开启的全新一年的跨境爆款系列商品双十一的正式来袭，围绕电商双十一的购物理念及战略重点，阿里巴巴、天猫联合打造的潮流趋势支付，正式登陆双十一狂欢夜。潮流界、时尚界盛事的参与者，统统化身成为电商促销的传播者和领导者，时尚界的人们以身作则，走在时尚前线，年轻时尚女性，正用最新的鲜美，向消费者传递快乐与创意。不止双十一，很多行业的大事件会在这个季节火热登场，不只是女性用户，还有男性用户。那么，在这些品牌高调露面的时刻，我们又该如何大玩不同的新玩法？如何抓住双十一的流量红利和品牌曝光点？
首先，形式是核心。网购、预售、快递都是消费者在双十一这个大战场上所接触最多的环节，而品牌商们喜欢的是大玩点创新、玩点新意。其次，先有用户的需求，才能够靠作品的特色获得市场的重视。小象电商的用户就是普通人，所以他们的需求就是需要一个包包，一条围巾，要么想各种创意。
于是，除了颜值，就是线下，大玩奇思妙想！不限于明星、时尚青年的价值需求，一个玩法就是无限加价，为了让所有用户都有收获。潮流的故事往往是颠覆性的，为了引起用户的兴趣，新玩法的推出，要给用户充满惊喜的体验，提供最奇妙的玩法。就算是普通人购物体验也会选择最少的购物过程，这就是品牌持续+创新的理念。来源：综合自阿里巴巴官方微博、阿里妈妈官方微博、中国经济网的特点。对阿里和时尚感兴趣的朋友，可以关注微信号：hzcyhg
这个生成样本说得头头是道，很难看出来它完全是由模型生成的，甚至样本给出了一个微信号，我们查了后估计该微信号与文本是没什么关系的。
既然样本效果这么好，它肯定需要很多中文语料。项目表明，该 15 亿参数量的 GPT-2 中文预训练模型在 15GB 的纯文本上进行训练，一共迭代了 10 万步。这 15GB 的纯文本主要选自 THUCNews 与 nlp_chinese_corpus，它们会做一系列的数据清理。
THUCNews：http://thuctc.thunlp.org/#中文文本分类数据集THUCNews
nlp_chinese_corpus：https://github.com/brightmart/nlp_chinese_corpus
此外，项目作者还简化整理了 GPT-2 训练代码，移植了 Bert Tokenizer 以添加多语言支持。因为移植了 Bert Tokenizer，所以模型输出结果很容易与基于 BERT 的模型进行整合。
项目作者开放的预训练模型是在 TPU Pod v3-256 上复现的 15 亿参数 GPT2，这也是 GitHub 上第一个支持大规模 TPU 训练的中文 GPT-2 项目。
本项目的训练脚本：https://github.com/imcaspar/gpt2-ml/tree/master/train
极简易用的 Colab 演示
非常吸引人的是，该项目提供了一个非常容易使用的 Colab 项目，只需简单地单击三次，我们就能使用 Colab 体验 GPT-2 续写整段文本的能力。演示地址在文章前面已经提供了，这里主要展示机器之心尝试的效果。
下图是我们尝试使用的结果，简单而言分可以为三步：首先从 GitHub 下载源代码；其次从 Google Drive 下载预训练模型，这里需要获得授权，也非常简单；最后，调用 Colab 的硬件进行推断就行了。
我们可以看到，中文 GPT-2 大部分生成结果，上下文还是非常合理的。如果你也想试一试效果，那就快来试一试吧，没有任何 ML 基础也能看到模型的真实效果。
声明：本文来自机器之心，版权归作者所有。文章内容仅代表作者独立观点，不代表安全内参立场，转载目的在于传递更多信息。如有侵权，请联系 anquanneican@163.com。
