使用 Huggingface 的 pytorch-transformers GPT-2 进行分类任务

Question

我想使用 GPT-2 制作文本分类器模型。 在通过 GPT-2 提取特征后，我不确定应该添加什么头部。 例如，我有一个序列。

import pytorch_transformers as pt 
import torch
text=test.iloc[1,1]
text
'If a fire wanted fanning, it could readily be fanned with a newspaper, and as the government grew weaker, I have no doubt that leather and iron acquired durability in proportion, for, in a very short time, there was not a pair of bellows in all Rotterdam that ever stood in need of a stitch or required the assistance of a hammer.'
len(text)

74
tokenizer = pt.GPT2Tokenizer.from_pretrained('gpt2')
model = pt.GPT2Model.from_pretrained('gpt2')
zz = tokenizer.tokenize(text)
z1=torch.tensor([tokenizer.convert_tokens_to_ids(zz)])
z1
tensor([[ 1532,   257,  2046,  2227,  4336,   768,    11,   340,   714, 14704,
           307,   277,  3577,   351,   257,  7533,    11,   290,   355,   262,
          1230,  6348, 17642,    11,   314,   423,   645,  4719,   326, 11620,
           290,  6953,  9477, 26578,   287,  9823,    11,   329,    11,   287,
           257,   845,  1790,   640,    11,   612,   373,   407,   257,  5166,
           286,  8966,  1666,   287,   477, 18481,   353, 11043,   326,  1683,
          6204,   287,   761,   286,   257, 24695,   393,  2672,   262,  6829,
           286,   257, 15554,    13]])
output,hidden=model(z1)
ouput.shape
torch.Size([1, 74, 768])

GPT2 的输出对我来说是 nxmx 768，其中 n 是批量大小，m 是序列中的标记数（例如我可以填充/截断到 128。），所以我不能像论文所说的那样做一个分类任务只是在尾部添加一个全连接层。我在google上搜索，很少提到GPT-2分类任务。 我不确定什么是正确的。 我应该在完全连接层或其他东西之前进行展平/最大池化/平均池化吗？

Answer 1

“所以我不能像论文所说的那样做分类任务，只是在尾部添加一个全连接层。” -这是你问题的答案。

通常，像 BERT 和 Roberta 这样的 Transformer 具有双向自注意力，并且它们具有[CLS]令牌，我们可以将[CLS]令牌输入到分类器中。 由于 GPT-2 从左到右，您需要提供嵌入序列的最终标记。

PS - 你能把链接放到论文上吗？

Answer 2

如果您使用 GPT-2 构建模型进行文本分类，请分享。