Anaconda环境下GPT2-Chinese的基本使用记录

• 偶然在看到了这个项目，感觉很厉害，于是就折腾了下，跑了一跑
• 项目地址：https://github.com/Morizeyao/GPT2-Chinese
• 如果Github下载太慢的可以用这个代下载：https://toolwa.com/github/

环境准备

1.pytorch 的安装
由情况选择版本安装，安装CPU版本梢简单

# 安装时官方源下载比较慢，要换源
conda install pytorch torchvision cpuonly -c pytorch

# 如果cnda装不了 选择pip的方式进行安装
# pip也要指定源
pip install torch==1.5.1+cpu torchvision==0.6.1+cpu -f https://download.pytorch.org/whl/torch_stable.html

Anacoda 换源

onda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
# 设置搜索时显示通道地址
conda config --set show_channel_urls yes

使用后在用户-username-.condarc可进行编辑

如果要建立自己的词表的话，要安装tensorflow，版本要对上，否则可能会出错

# Current stable release for CPU and GPU
pip install transformers==2.1.1

安装成后,执行以下验证安装效果

python -c "import tensorflow as tf;print(tf.reduce_sum(tf.random.normal([1000, 1000])))"

#报错
DLL load failed: 找不到指定模块
Failed to load the native TensorFlow runtime.

安装VC++2019就能解决问题了

• 64位地址：x64
• 32位地址：x86

如要在cmd或GitBash中使用conda 命令要配置Anaconda的环境变量，

conda env list #列出已有环境
conda info -e  #列出已有环境

conda create -n env_name python=version  #创建一个新的虚拟环境
conda activate env_name   #激活并进入虚拟环境

conda deactivate       #退出虚拟环境 进入标准环境中
conda env remove -n env_name   #删除一个已有的虚拟环境

conda install package_name   #下载安装包
conda install package_name=version   #下载包同时指定版本

conda remove package_name   #删除包

conda list   #列出已经安装的包
codna search package_name  #查找包的版本信息
codna install package_name -n env_name  #管理指定虚拟环境的包

pip freeze > d:\superset.txt    #导出本虚拟环境
pip install -r d:\superset.txt  #导入虚拟环境
conda env export --file d:\superset.yml   #导出虚拟环境
conda env create -f d:\superset.yml       #导入虚拟环境
conda create -n superset2 --clone superset  #虚拟环境备份

来源：Anaconda与windows cmd环境的使用与基本命令

如此在GitBash中可能还是会遇到一个问题，Anaconda虚拟环境激活不了,报错：

CommandNotFoundError: Your shell has not been properly configured to use 'conda activate'.

可以执行以下命令后就能激活环境了：

# 激活环境
source activate
# 退出环境
source deactivate

来源：Git Bash使用conda命令activate env

开始训练

刚开始遇到的问题就是编码的问题，我的语料是放在train.json中是UTF8的编码

如果要执行.sh的脚本要使用Gitbash

如果样本的量比较小的时候，可以自己生成词库，减少乱码的可能。

同样遇到了这个问题，是词库导致的，默认使用的是cache/vocab_small.txt，里面13317个单词，包括各种符号，当样本量小的时候，结果就会有很多乱码。可以根据自己的data，生成vocab文件(当然这样的话，单词来源受限于样本了) 步骤如下：

# 生成vocab_user.txt文件
cd cache/
bash make_vocab.sh
# 根据vocab_user.txt内单词个数，调整配置文件config/model_config_small.json的vocab_size字段

# train
python train.py --raw --min_length 4 --tokenizer_path cache/vocab_user.txt
# generate
python ./generate.py --length=50 --nsamples=4 --prefix=你好 --fast_pattern --tokenizer_path cache/vocab_user.txt

来源：生成的文本都是乱码
issue#88

注：自己的机器，特别是只要CPU跑的话，即使语料很小，也要很久，推荐有能力的朋友在Colab上跑比较方便，基本环境都有，训练的速度也会快很多。