然而這個 GPT-2 模型內含多達 15 億個引數，過高的算力要求讓大多數開發者望而卻步。而且 OpenAI 還曾「出於對模型可能遭惡意應用的擔憂，並不會立即釋出所有預訓練權重。」一時引發機器學習社群的吐槽。
近日，由 Buzzfeed 資料科學家 Max Woolf 開源的「GPT-2 精簡版」出現在 GitHub 上。這是一個簡單的 Python 軟體包，它封裝了 OpenAI GPT-2 文字生成模型（特別是它是具有 1.17 億超引數的「較小」版本）的現有模型微調和生成指令碼。此外，這個軟體包讓我們可以更容易地生成文字，生成一個檔案以便於管理，從而允許字首強制文字以給定的短語開頭。
專案連結：https://github.com/minimaxir/gpt-2-simple
文字生成示意
該 Python 包包含以下內容，並對其進行了最小程度的低階更改：
來自 OpenAI 官方 GPT-2 庫的模型管理（MIT 許可證）
來自 GPT-2 中 Neil Shepperd fork 的模型微調（MIT 許可證）
來自 textgenrnn 的文字生成輸出管理（MIT 許可證）
為了微調，該專案強烈建議你使用 GPU，雖然你用 CPU 也可以生成（但速度會慢很多）。如果你在雲端訓練，強烈建議你使用 Colaboratory notebook 或帶有 TensorFlow 深度學習影象的谷歌計算引擎 VM（因為 GPT-2 模型位於 GCP 上）。
你可以使用 gpt-2-simple 在這個 Colaboratory notebook 中免費用 GPU 來重新訓練模型，該 notebook 還演示了這個軟體包的其它功能。
Colaboratory notebook 地址：https://colab.research.google.com/drive/1VLG8e7YSEwypxU-noRNhsv5dW4NfTGce
安裝
gpt-2-simple 可以通過 PyPI 來安裝：
pip3 install gpt_2_simple
你還要為你的系統安裝相應的 TensorFlow（如 tensorflow 或 tensorflow-gpu）
使用
將模型下載到本地系統的示例，在資料集上對它進行微調，然後生成一些文字。
警告：模型是預訓練的，因此任何微調模型都是 500MB。
import gpt_2_simple as gpt2
gpt2.download_gpt2() # model is saved into current directory under /models/117M/
sess = gpt2.start_tf_sess()
gpt2.finetune(sess, 'shakespeare.txt', steps=1000) # steps is max number of training steps
gpt2.generate(sess)
生成模型的檢查點預設在/checkpoint/run1 中。如果你想從該資料夾中載入模型並從中生成文字：
import gpt_2_simple as gpt2
sess = gpt2.start_tf_sess()
gpt2.load_gpt2(sess)
gpt2.generate(sess)
與 textgenrnn 一樣，你可以用 return_as_list 引數生成並儲存文字供以後使用（如 API 或機器人）。
single_text = gpt2.generate(sess, return_as_list=True)[0]
print(single_text)
如果你想在 checkpoint 資料夾中儲存或載入多個模型，可以把 run_name 引數傳遞給 finetune 和 load_gpt2。
注意：如果你想在另一個資料集上進行微調或載入另一個模型，先重啟 Python 會話。
gpt-2-simple 和其它文字生成程式的區別
GPT-2 用來生成文字的方法與 textgenrnn 等其它安裝包（特別是純粹使用 GPU 生成完整文字序列並隨後對其進行解碼的安裝包）使用的方法略有不同，這些方法在沒有破解底層模型程式碼的情況下無法輕易修復。
所以：
一般來說，GPT-2 更擅長在整個生成長度上維護上下文，從而能夠有效地生成對話文字。文字在語法上通常也是正確的，並且有適當的大寫和較少的列印錯誤。
原始 GPT-2 模型在大量來源的文字上進行訓練，使該模型包含輸入文字中看不到的趨勢。
GPT-2 針對每個請求最多隻能生成 1024 個 token（約是 3-4 段英語文字）。
GPT-2 在到達特定的結束 token 時無法提前停止。（暫時解決方法：將 truncate 引數傳遞給 generate 函式，以便只收集文字，直至到達特定的結束 token。你可能想適當地縮小 length。）
較高溫度（如 0.7-1.0）能夠更好地生成更有趣的文字，而其它框架在溫度 0.2-0.5 之間運轉更好。
當對 GPT-2 進行微調時，它並不清楚較大文字中文件的開頭或結尾。你需要使用定製的字元序列來顯示文件的開頭或結尾。之後在文字生成中，你可以指定針對開始 token 序列的 prefix 和針對結束 token 序列的 truncate。
通過設定一個可分成 nsamples 的 batch_size，你可以使用 GPT-2 生成並行文字，從而加快生成速度。GPT-2 與 GPU 配合得很好（可以在 Colaboratory K80 上將 batch_size 設定為 20）！
計劃工作
注意：除非需求另有規定，否則本專案的範圍非常小。
允許使用者生成超過 1024 個 token 的文字。
允許使用者使用 Colaboratory 的 TPU 進行微調。
允許使用者使用多個 GPU（如 Horovod）。
對於 Colaboratory，允許模型在訓練期間自動將檢查點儲存至 Google Drive，以防止超時。
使用 gpt-2-simple 的示例
ResetEra：生成視訊遊戲論壇討論
地址：https://www.resetera.com/threads/i-trained-an-ai-on-thousands-of-resetera-thread-conversations-and-it-created-hot-gaming-shitposts.112167/
專案建立者：Max Woolf
基於 GPT-2 的「故事生成器」
GPT-2 強大的模型不僅吸引了眾多機器學習從業者的關注，其「腦補」故事的能力也讓人們不禁有了很多大膽的想法。為了讓更多人能夠接觸最新技術，另一個開發者 eukaryote 最近還推出了一個新網站：This Story Does Not Exist
連結：https://www.thisstorydoesnotexist.com/
這是一個基於 GPT-2 的文字生成器。在這裡，每個人都可以輸入一段文字，看看人工智慧會給你講一段什麼樣的故事，比如：
改寫冰與火之歌的結局，就靠你了！