erenup
GitHub
commit
2b83ac11f7
|
|
@ -0,0 +1,775 @@
|
|||
本文参考资料是[Hugging Face主页](https://huggingface.co/)Resources下的课程,节选部分内容并注释（加粗斜体），也加了Trainer和args的主要参数介绍。感兴趣的同学可以去查看[原文](https://huggingface.co/course/chapter1)。
|
||||
****
|
||||
本章节主要内容包含两部分内容：
|
||||
- pipeline工具演示NLP任务处理
|
||||
- 构建Trainer微调模型<br>
|
||||
|
||||
目录
|
||||
- [1. 简介](#1--简介)
|
||||
- [Transformers的历史](#transformers的历史)
|
||||
- [Architectures和checkpoints](#architectures和checkpoints)
|
||||
- [The Inference API](#the-inference-api)
|
||||
- [2. 用pipeline处理NLP问题](#2-用pipeline处理nlp问题)
|
||||
- [3. Behind the pipeline](#3-behind-the-pipeline)
|
||||
- [tokenizer预处理](#tokenizer预处理)
|
||||
- [选择模型](#选择模型)
|
||||
- [Model heads](#model-heads)
|
||||
- [Post-processing后处理](#post-processing后处理)
|
||||
- [4. 构建Trainer API微调预训练模型](#4-构建trainer-api微调预训练模型)
|
||||
- [从Hub上下载dataset](#从hub上下载dataset)
|
||||
- [数据集预处理](#数据集预处理)
|
||||
- [使用 Trainer API 在 PyTorch 中进行微调](#使用-trainer-api-在-pytorch-中进行微调)
|
||||
- [训练](#训练)
|
||||
- [评估函数](#评估函数)
|
||||
- [5. 补充部分](#5-补充部分)
|
||||
- [为什么教程第四章都是用Trainer来微调模型？](#为什么教程第四章都是用trainer来微调模型)
|
||||
- [TrainingArguments主要参数](#trainingarguments主要参数)
|
||||
- [不同的模型加载方式](#不同的模型加载方式)
|
||||
- [Dynamic padding——动态填充技术](#dynamic-padding动态填充技术)
|
||||
|
||||
## 1. 简介
|
||||
本章节将使用 [Hugging Face 生态系统中的库](https://github.com/huggingface)——🤗 Transformers来进行自然语言处理工作(NLP)。
|
||||
### Transformers的历史
|
||||
以下是 Transformer 模型（简短）历史中的一些参考点：
|
||||
|
||||
[Transformer 架构](https://arxiv.org/abs/1706.03762)于 2017 年 6 月推出。原始研究的重点是翻译任务。随后推出了几个有影响力的模型，包括：
|
||||
|
||||
- 2018 年 6 月：[GPT](https://cdn.openai.com/research-covers/language-unsupervised/language_understanding_paper.pdf)，第一个预训练的 Transformer 模型，用于各种 NLP 任务的微调并获得最先进的结果
|
||||
- 2018 年 10 月：[BERT](https://arxiv.org/abs/1810.04805)，另一个大型预训练模型，该模型旨在生成更好的句子摘要（下一章将详细介绍！）
|
||||
- 2019 年 2 月：[GPT-2](https://cdn.openai.com/better-language-models/language_models_are_unsupervised_multitask_learners.pdf)，GPT 的改进（和更大）版本，由于道德问题未立即公开发布
|
||||
- 2019 年 10 月：[DistilBERT](https://arxiv.org/abs/1910.01108)，BERT 的蒸馏版本，速度提高 60%，内存减轻 40%，但仍保留 BERT 97% 的性能
|
||||
- 2019 年 10 月：[BART](https://arxiv.org/abs/1910.13461) 和 [T5](https://arxiv.org/abs/1910.10683)，两个使用与原始 Transformer 模型相同架构的大型预训练模型（第一个这样做）
|
||||
- 2020 年 5 月，[GPT-3](https://arxiv.org/abs/2005.14165)，GPT-2 的更大版本，无需微调即可在各种任务上表现良好（称为零样本学习zero-shot learning）
|
||||
|
||||
这个列表并不全，只是为了突出一些不同类型的 Transformer 模型。大体上，它们可以分为三类：
|
||||
|
||||
- GPT类（只使用transformer-decoder部分，自回归 Transformer 模型）
|
||||
- BERT类（只使用transformer-encoder部分，自编码 Transformer 模型）
|
||||
- BART/T5 类（Transformer-encoder-decoder模型）
|
||||
|
||||
### Architectures和checkpoints
|
||||
对Transformer模型的研究中，会出现一些术语：架构Architecture和检查点checkpoint以及Model。 这些术语的含义略有不同：
|
||||
|
||||
Architecture：定义了模型的基本结构和基本运算
|
||||
|
||||
checkpoint：模型的某个训练状态，加载此checkpoint会加载此时的权重。（训练时可以选择自动保存checkpoint）
|
||||
|
||||
Model:这是一个总称，不像“架构”或“检查点”那样精确，它可以同时表示两者。 当需要减少歧义时，本课程将指定架构或检查点。<br>
|
||||
例如，BERT 是一种 Architectures，而 bert-base-cased（谷歌团队为 BERT 的第一个版本训练的一组权重）是一个checkpoints。 但是，可以说“the BERT model”和“the bert-base-cased model”。
|
||||
|
||||
***checkpoint概念在大数据里面说的比较多。模型在训练时可以设置自动保存于某个时间点（比如模型训练了一轮epoch，更新了参数，将这个状态的模型保存下来，为一个checkpoint。）
|
||||
所以每个checkpoint对应模型的一个状态，一组权重。大数据中检查点是一个数据库事件，存在的根本意义是减少崩溃时间。即减少因为意外情况数据库崩溃后重新恢复的时间。***
|
||||
### The Inference API
|
||||
[Model Hub](https://huggingface.co/models)（模型中心）包含多语言模型的checkpoints。您可以通过单击语言标签来优化对模型的搜索，然后选择生成另一种语言文本的模型。
|
||||
|
||||
通过单击选择模型后，您会看到有一个小部件——Inference API（支持在线试用）。即您可以直接在此页面上使用各种模型，通过输入自定义文本就可以看到模型处理输入数据后的结果。 通过这种方式，您可以在下载模型之前快速测试模型的功能。
|
||||
|
||||
## 2. 用pipeline处理NLP问题
|
||||
在本节中，我们将看看 Transformer 模型可以做什么，并使用 🤗 Transformers 库中的第一个工具：管道pipeline。
|
||||
|
||||
>🤗 [Transformers 库](https://github.com/huggingface/transformers)提供了创建和使用共享模型的功能.。[Model Hub](https://huggingface.co/models)包含数千个所有人都可以下载和使用的预训练模型。 您也可以将自己的模型上传到 Hub！
|
||||
|
||||
🤗 Transformers 库中最基本的对象是pipeline。 它将模型与其必要的预处理和后处理步骤连接起来，使我们能够直接输入任何文本并获得可理解的答案：
|
||||
```python
|
||||
from transformers import pipeline
|
||||
|
||||
classifier = pipeline("sentiment-analysis")
|
||||
classifier("I've been waiting for a HuggingFace course my whole life.")
|
||||
```
|
||||
```python
|
||||
[{'label': 'POSITIVE', 'score': 0.9598047137260437}]
|
||||
```
|
||||
我们甚至可以传入几个句子！
|
||||
```python
|
||||
classifier([
|
||||
"I've been waiting for a HuggingFace course my whole life.",
|
||||
"I hate this so much!"
|
||||
])
|
||||
```
|
||||
```python
|
||||
[{'label': 'POSITIVE', 'score': 0.9598047137260437},
|
||||
{'label': 'NEGATIVE', 'score': 0.9994558095932007}]
|
||||
```
|
||||
默认情况下，此管道选择一个特定的预训练模型，该模型已针对英语情感分析进行了微调。 创建分类器对象时，将下载并缓存模型。 如果您重新运行该命令，则将使用缓存的模型，无需再次下载模型。
|
||||
|
||||
将一些文本传递到管道时涉及三个主要步骤：
|
||||
|
||||
1. 预处理：文本被预处理为模型可以理解的格式。
|
||||
2. 输入模型：构建模型，并将预处理的输入传递给模型。
|
||||
3. 后处理：模型的预测是经过后处理的，因此您可以理解它们。
|
||||
|
||||
目前可用的一些管道是：
|
||||
- feature-extraction (获取文本的向量表示)
|
||||
- fill-mask填充给定文本中的空白（完形填空）
|
||||
- ner (named entity recognition)词性标注
|
||||
- question-answering问答
|
||||
- sentiment-analysis情感分析
|
||||
- summarization摘要生成
|
||||
- text-generation文本生成
|
||||
- translation翻译
|
||||
- zero-shot-classification零样本分类
|
||||
|
||||
您也可以从 Hub 中针对特定任务来选择特定模型的管道 例如，文本生成。转到 [Model Hub](https://huggingface.co/models)并单击左侧的相应标签，页面将会仅显示文本生成任务支持的模型。
|
||||
(***除了模型要匹配任务，更进一步考虑的因素之一是：预训练模型训练时使用的数据集，要尽可能的接近你需要处理的任务所包含的数据集，两个数据集越接近越好。***）
|
||||
|
||||
Transformers pipeline API 可以处理不同的 NLP 任务。您可以使用完整架构，也可以仅使用编码器或解码器，具体取决于您要解决的任务类型。 下表总结了这一点：
|
||||
|
||||
模型 | 例子 | 任务
|
||||
-------- | ----- |-----
|
||||
Encoder | ALBERT, BERT, DistilBERT, ELECTRA, RoBERTa |句子分类、命名实体识别、抽取式问答
|
||||
Decoder | CTRL, GPT, GPT-2, Transformer XL |文本生成
|
||||
Encoder-decoder | BART, T5, Marian, mBART |摘要生成、翻译、生成式问答
|
||||
|
||||
以上显示的pipeline主要用于演示目的。 它们是为特定任务编程的，不能执行它们的变体。 在下一节中，您将了解管道内部的内容以及如何自定义其行为。
|
||||
>上面这几种管道的简单示例可以查看——[Hugging Face主页课程第一篇《Transformer models》](https://blog.csdn.net/qq_56591814/article/details/120124306)。
|
||||
>或单击[Open in Colab](https://colab.research.google.com/github/huggingface/notebooks/blob/master/course/chapter1/section3.ipynb)以打开包含其它管道应用代码示例的 Google Colab 笔记本。
|
||||
如果您想在本地运行示例，我们建议您查看[设置](https://huggingface.co/course/chapter0)。
|
||||
## 3. Behind the pipeline
|
||||
>本节代码:[Open in Colab](https://colab.research.google.com/github/huggingface/notebooks/blob/master/course/chapter2/section2_pt.ipynb) (PyTorch)<br>
|
||||
>YouTube视频：[what happend inside the pipeline function](https://youtu.be/1pedAIvTWXk)
|
||||
|
||||
让我们从一个完整的例子开始，看看当我们在第1节中执行以下代码时，幕后发生了什么：
|
||||
```python
|
||||
|
||||
from transformers import pipeline
|
||||
|
||||
classifier = pipeline("sentiment-analysis")
|
||||
classifier([
|
||||
"I've been waiting for a HuggingFace course my whole life.",
|
||||
"I hate this so much!",
|
||||
])
|
||||
```
|
||||
```python
|
||||
[{'label': 'POSITIVE', 'score': 0.9598047137260437},
|
||||
{'label': 'NEGATIVE', 'score': 0.9994558095932007}]
|
||||
```
|
||||
正如我们在第 1 章中看到的，这个管道将三个步骤组合在一起：预处理、通过模型传递输入和后处理：
|
||||
|
||||
|
||||
让我们快速浏览一下这些内容。
|
||||
### tokenizer预处理
|
||||
与其他神经网络一样，Transformer 模型不能直接处理原始文本，因此我们管道的第一步是将文本输入转换为模型可以理解的数字。为此，我们使用了一个分词器tokenizer，它将负责：
|
||||
|
||||
- 将输入拆分为称为标记的单词、子词subword或符号symbols（如标点符号）
|
||||
- 将每个标记映射到一个整数
|
||||
- 添加可能对模型有用的其他输入
|
||||
|
||||
使用 AutoTokenizer 类及其 from_pretrained 方法，以保证所有这些预处理都以与模型预训练时完全相同的方式完成。设定模型的 checkpoint名称，它会自动获取与模型的Tokenizer关联的数据并缓存它（所以它只在你第一次运行下面的代码时下载）。
|
||||
|
||||
由于情感分析管道的默认检查点是 [distilbert-base-uncased-finetuned-sst-2-english](https://huggingface.co/distilbert-base-uncased-finetuned-sst-2-english)，我们可以运行以下命令得到我们需要的tokenizer：
|
||||
```python
|
||||
from transformers import AutoTokenizer
|
||||
|
||||
checkpoint = "distilbert-base-uncased-finetuned-sst-2-english"
|
||||
tokenizer = AutoTokenizer.from_pretrained(checkpoint)
|
||||
```
|
||||
```python
|
||||
raw_inputs = [
|
||||
"I've been waiting for a HuggingFace course my whole life.",
|
||||
"I hate this so much!",
|
||||
]
|
||||
inputs = tokenizer(raw_inputs, padding=True, truncation=True, return_tensors="pt")
|
||||
#return_tensors="pt"表示返回Pytorch张量。文本转换为数字之后必须再转换成张量tensors才能输入模型。
|
||||
#padding=True表示填充输入序列到最大长度，truncation=True表示过长序列被截断
|
||||
|
||||
print(inputs)
|
||||
```
|
||||
以下是 PyTorch 张量的结果：
|
||||
```python
|
||||
{
|
||||
'input_ids': tensor([
|
||||
[ 101, 1045, 1005, 2310, 2042, 3403, 2005, 1037, 17662, 12172, 2607, 2026, 2878, 2166, 1012, 102],
|
||||
[ 101, 1045, 5223, 2023, 2061, 2172, 999, 102, 0, 0, 0, 0, 0, 0, 0, 0]
|
||||
]),
|
||||
'attention_mask': tensor([
|
||||
[1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1],
|
||||
[1, 1, 1, 1, 1, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0]
|
||||
])
|
||||
}
|
||||
```
|
||||
### 选择模型
|
||||
我们可以像使用分词器一样下载我们的预训练模型。 🤗 Transformers 提供了一个 AutoModel 类，它也有一个 from_pretrained 方法：
|
||||
```python
|
||||
from transformers import AutoModel
|
||||
|
||||
checkpoint = "distilbert-base-uncased-finetuned-sst-2-english"
|
||||
model = AutoModel.from_pretrained(checkpoint)
|
||||
```
|
||||
AutoModel 类及其所有相关类实际上是库中各种可用模型的简单包装器。 它可以自动为您的checkpoint猜测合适的模型架构，然后使用该架构实例化模型。（***即AutoModel 类可以从checkpoint实例化任何模型，而且这是一种更好的实例化模型方法。构建模型还有另一种方法，放在文末。***）
|
||||
|
||||
在此代码片段中，我们下载了之前在管道中使用的相同checkpoint（它实际上应该已经被缓存）并用它实例化了一个模型。但是这个架构只包含基本的 Transformer 模块：给定一些输入，它输出我们称之为隐藏状态hidden states的东西。虽然这些隐藏状态本身就很有用，但它们通常是模型另一部分（model head）的输入。
|
||||
### Model heads
|
||||
我们可以使用相同的模型体系结构执行不同的任务，但是每个任务都有与之关联的不同的Model heads。
|
||||
|
||||
Model heads:将隐藏状态的高维向量（也就是logits向量）作为输入，并将它们投影到不同的维度上。 它们通常由一个或几个线性层组成：
|
||||
|
||||
在此图中，模型由其embeddings layer和后续层表示。输入数据经过embeddings layer输出logits向量以产生句子的最终表示。
|
||||
|
||||
🤗 Transformers 中有许多不同的架构可用，每一种架构都围绕着处理特定任务而设计。 下面列举了部分Model heads：
|
||||
* Model (retrieve the hidden states)
|
||||
* ForCausalLM
|
||||
* ForMaskedLM
|
||||
* ForMultipleChoice
|
||||
* ForQuestionAnswering
|
||||
* ForSequenceClassification
|
||||
* ForTokenClassification
|
||||
* and others 🤗
|
||||
|
||||
以情感分类为例，我们需要一个带有序列分类的Model head（能够将句子分类为正面或负面）。 因此，我们实际上不会使用 AutoModel 类，而是使用 AutoModelForSequenceClassification：
|
||||
|
||||
（***也就是说前面写的model = AutoModel.from_pretrained(checkpoint)并不能得到情感分类任务的结果，因为没有加载Model head***）
|
||||
```python
|
||||
from transformers import AutoModelForSequenceClassification
|
||||
|
||||
checkpoint = "distilbert-base-uncased-finetuned-sst-2-english"
|
||||
model = AutoModelForSequenceClassification.from_pretrained(checkpoint)
|
||||
outputs = model(**inputs)
|
||||
```
|
||||
model head将我们之前看到的高维向量作为输入，并输出包含两个值（每个标签一个）的向量：
|
||||
```python
|
||||
print(outputs.logits.shape)
|
||||
```
|
||||
```python
|
||||
torch.Size([2, 2])
|
||||
```
|
||||
由于我们只有两个句子和两个标签，因此我们从模型中得到的结果是 2 x 2 的形状。
|
||||
### Post-processing后处理
|
||||
我们从模型中获得的作为输出的值本身并不一定有意义。 让我们来看看：
|
||||
```python
|
||||
print(outputs.logits)
|
||||
```
|
||||
```python
|
||||
tensor([[-1.5607, 1.6123],
|
||||
[ 4.1692, -3.3464]], grad_fn=<AddmmBackward>)
|
||||
```
|
||||
我们的模型预测了第一个句子结果 [-1.5607, 1.6123] 和第二个句子的结果 [4.1692, -3.3464]。 这些不是概率，而是 logits，即模型最后一层输出的原始非标准化分数。 要转换为概率，它们需要经过一个 SoftMax 层。所有🤗 Transformers 模型都输出 logits，这是因为训练的损失函数一般会将最后一个激活函数（比如SoftMax）和实际的交叉熵损失函数相融合。<br>
|
||||
（***补充：在Pytorch里面，交叉熵损失CEloss不是数学上的交叉熵损失（NLLLoss）。Pytorch的CrossEntropyLoss就是把Softmax–Log–NLLLoss合并成一步。详细内容可以参考知乎文章[《如何理解NLLLoss?》](https://zhuanlan.zhihu.com/p/30187567)***）
|
||||
|
||||
```python
|
||||
import torch
|
||||
|
||||
predictions = torch.nn.functional.softmax(outputs.logits, dim=-1)
|
||||
print(predictions)
|
||||
```
|
||||
```python
|
||||
tensor([[4.0195e-02, 9.5980e-01],
|
||||
[9.9946e-01, 5.4418e-04]], grad_fn=<SoftmaxBackward>)
|
||||
```
|
||||
这次输出是可识别的概率分数。
|
||||
|
||||
要获得每个位置对应的标签，我们可以检查模型配置的 id2label 属性：
|
||||
```python
|
||||
model.config.id2label
|
||||
```
|
||||
```python
|
||||
{0: 'NEGATIVE', 1: 'POSITIVE'}
|
||||
```
|
||||
现在我们可以得出结论，该模型预测了以下内容：
|
||||
|
||||
第一句：NEGATIVE：0.0402，POSITIVE：0.9598<br>
|
||||
第二句：NEGATIVE：0.9995，POSITIVE：0.0005
|
||||
|
||||
## 4. 构建Trainer API微调预训练模型
|
||||
>本节代码：[Open in Colab](https://colab.research.google.com/github/huggingface/notebooks/blob/master/course/chapter3/section3.ipynb)（PyTorch），建议点此进行测试。colab上加载数据集非常快，设置GPU后训练也比较快。
|
||||
>打开后选择左上方“修改”选项卡，点击笔记本设置-硬件加速器None改成GPU就行。
|
||||
|
||||
在第3节中，我们探讨了如何使用分词器和预训练模型进行预测。 但是，如果您想为自己的数据集微调预训练模型怎么办？ 这就是本章的主题！ 你将学习：
|
||||
|
||||
- 如何从Model Hub 准备大型数据集
|
||||
- 如何使用high-level Trainer API来微调模型
|
||||
- 如何使用自定义训练循环a custom training loop
|
||||
- 如何利用 🤗 Accelerate 库在任何分布式设置上轻松运行该custom training loop
|
||||
### 从Hub上下载dataset
|
||||
>Youtube 视频：[Hugging Face Datasets Overview](https://youtu.be/_BZearw7f0w)（pytorch）
|
||||
|
||||
Hub 不仅包含模型；还含有多个[datasets](https://huggingface.co/datasets)，这些datasets有很多不同的语言。我们建议您在完成本节后尝试加载和处理新数据集（[参考文档](https://huggingface.co/docs/datasets/loading_datasets.html#from-the-huggingface-hub)）。
|
||||
|
||||
MRPC 数据集是构成 [GLUE 基准](https://gluebenchmark.com/)的 10 个数据集之一。而GLUE 基准是一种学术基准，用于衡量 ML 模型在 10 个不同文本分类任务中的性能。
|
||||
|
||||
🤗 Datasets库提供了一个非常简单的命令来下载和缓存Hub上的dataset。 我们可以像这样下载 MRPC 数据集：
|
||||
|
||||
```python
|
||||
from datasets import load_dataset
|
||||
|
||||
raw_datasets = load_dataset("glue", "mrpc")
|
||||
raw_datasets
|
||||
```
|
||||
|
||||
```python
|
||||
DatasetDict({
|
||||
train: Dataset({
|
||||
features: ['sentence1', 'sentence2', 'label', 'idx'],
|
||||
num_rows: 3668
|
||||
})
|
||||
validation: Dataset({
|
||||
features: ['sentence1', 'sentence2', 'label', 'idx'],
|
||||
num_rows: 408
|
||||
})
|
||||
test: Dataset({
|
||||
features: ['sentence1', 'sentence2', 'label', 'idx'],
|
||||
num_rows: 1725
|
||||
})
|
||||
})
|
||||
```
|
||||
这样就得到一个DatasetDict对象，包含训练集、验证集和测试集，训练集中有3,668 个句子对，验证集中有408对，测试集中有1,725 对。每个句子对包含四列数据：'sentence1', 'sentence2', 'label'和 'idx'。
|
||||
|
||||
load_dataset 方法, 可以从不同的地方构建数据集<br>
|
||||
- from the HuggingFace Hub,
|
||||
- from local files, 如CSV/JSON/text/pandas files
|
||||
- from in-memory data like python dict or a pandas dataframe.
|
||||
|
||||
例如： datasets = load_dataset("text", data_files={"train": path_to_train.txt, "validation": path_to_validation.txt} 具体可以[参考文档](https://link.zhihu.com/?target=https%3A//huggingface.co/docs/datasets/loading_datasets.html%23from-local-files)
|
||||
|
||||
load_dataset命令下载并缓存数据集，默认在 ~/.cache/huggingface/dataset 中。您可以通过设置 HF_HOME 环境变量来自定义缓存文件夹。
|
||||
|
||||
和字典一样，raw_datasets 可以通过索引访问其中的句子对：
|
||||
|
||||
```python
|
||||
raw_train_dataset = raw_datasets["train"]
|
||||
raw_train_dataset[0]
|
||||
```
|
||||
|
||||
```python
|
||||
{'idx': 0,
|
||||
'label': 1,
|
||||
'sentence1': 'Amrozi accused his brother , whom he called " the witness " , of deliberately distorting his evidence .',
|
||||
'sentence2': 'Referring to him as only " the witness " , Amrozi accused his brother of deliberately distorting his evidence .'}
|
||||
```
|
||||
```python
|
||||
import pandas as pd
|
||||
validation=pd.DataFrame(raw_datasets['validation'])
|
||||
validation
|
||||
```
|
||||
|
||||
可见标签已经是整数，不需要再做任何预处理。通过raw_train_dataset的features属性可以知道每一列的类型：
|
||||
```python
|
||||
raw_train_dataset.features
|
||||
```
|
||||
|
||||
```python
|
||||
{'sentence1': Value(dtype='string', id=None),
|
||||
'sentence2': Value(dtype='string', id=None),
|
||||
'label': ClassLabel(num_classes=2, names=['not_equivalent', 'equivalent'], names_file=None, id=None),
|
||||
'idx': Value(dtype='int32', id=None)}
|
||||
```
|
||||
label是 ClassLabel 类型，label=1表示这对句子互为paraphrases，label=0表示句子对意思不一致。
|
||||
|
||||
### 数据集预处理
|
||||
>YouTube视频[《Preprocessing sentence pairs》](https://youtu.be/0u3ioSwev3s)
|
||||
|
||||
通过tokenizer可以将文本转换为模型能理解的数字。
|
||||
|
||||
```python
|
||||
from transformers import AutoTokenizer
|
||||
|
||||
checkpoint = "bert-base-uncased"
|
||||
tokenizer = AutoTokenizer.from_pretrained(checkpoint)
|
||||
```
|
||||
让我们看一个示例：
|
||||
```python
|
||||
inputs = tokenizer("This is the first sentence.", "This is the second one.")
|
||||
inputs
|
||||
```
|
||||
|
||||
```python
|
||||
{ 'input_ids': [101, 2023, 2003, 1996, 2034, 6251, 1012, 102, 2023, 2003, 1996, 2117, 2028, 1012, 102],
|
||||
'token_type_ids': [0, 0, 0, 0, 0, 0, 0, 0, 1, 1, 1, 1, 1, 1, 1],
|
||||
'attention_mask': [1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1]}
|
||||
```
|
||||
所以将句子对列表传给tokenizer，就可以对整个数据集进行分词处理。因此，预处理训练数据集的一种方法是：
|
||||
```python
|
||||
tokenized_dataset = tokenizer(
|
||||
raw_datasets["train"]["sentence1"],
|
||||
raw_datasets["train"]["sentence2"],
|
||||
padding=True,
|
||||
truncation=True,
|
||||
)
|
||||
```
|
||||
这种处理方法是ok的，但缺点是处理之后tokenized_dataset不再是一个dataset格式，而是返回字典（带有我们的键:input_ids、attention_mask 和 token_type_ids，对应的键值对的值）。 而且一旦我们的dataset过大，无法放在内存中，那么这样子的做法会导致 Out of Memory 的异常。（ 🤗 Datasets 库中的数据集是存储在磁盘上的 Apache Arrow 文件，因此请求加载的样本都保存在内存中）。
|
||||
|
||||
为了使我们的数据保持dataset的格式，我们将使用更灵活的Dataset.map 方法。此方法可以完成更多的预处理而不仅仅是 tokenization。 map 方法是对数据集中的每个元素应用同一个函数，所以让我们定义一个函数来对输入进行tokenize预处理：
|
||||
|
||||
```python
|
||||
def tokenize_function(example):
|
||||
return tokenizer(example["sentence1"], example["sentence2"], truncation=True)
|
||||
```
|
||||
这个函数接受的是一个字典（就像我们dataset的items），返回的也是一个字典（有三个键：input_ids、attention_mask 和 token_type_ids ）。
|
||||
|
||||
在tokenization函数中省略了padding 参数，这是因为padding到该批次中的最大长度时的效率，会高于所有序列都padding到整个数据集的最大序列长度。 当输入序列长度很不一致时，这可以节省大量时间和处理能力！
|
||||
|
||||
以下是对整个数据集应用tokenization方法。 我们在 map 调用中使用了 batched=True，因此该函数一次应用于数据集的整个batch元素，而不是分别应用于每个元素。 这样预处理速度会更快（因为 🤗 Tokenizers 库中的Tokenizer用 Rust 编写，一次处理很多输入时这个分词器可以非常快）。
|
||||
|
||||
```python
|
||||
tokenized_datasets = raw_datasets.map(tokenize_function, batched=True)
|
||||
tokenized_datasets
|
||||
```
|
||||
🤗 Datasets库应用这种处理的方式是向数据集添加新字段，如下所示：
|
||||
```python
|
||||
DatasetDict({
|
||||
train: Dataset({
|
||||
features: ['attention_mask', 'idx', 'input_ids', 'label', 'sentence1', 'sentence2', 'token_type_ids'],
|
||||
num_rows: 3668
|
||||
})
|
||||
validation: Dataset({
|
||||
features: ['attention_mask', 'idx', 'input_ids', 'label', 'sentence1', 'sentence2', 'token_type_ids'],
|
||||
num_rows: 408
|
||||
})
|
||||
test: Dataset({
|
||||
features: ['attention_mask', 'idx', 'input_ids', 'label', 'sentence1', 'sentence2', 'token_type_ids'],
|
||||
num_rows: 1725
|
||||
})
|
||||
})
|
||||
```
|
||||
>如果您没有使用由该库支持的fast tokenizer，Dataset.map函数进行预处理时可以设定num_proc 参数来进行多线程处理，加快预处理速度。
|
||||
|
||||
最后，当我们将输入序列进行批处理时，要将所有输入序列填充到本批次最长序列的长度——我们称之为动态填充技术dynamic padding(动态填充：即将每个批次的输入序列填充到一样的长度。具体内容放在最后）。
|
||||
### 使用 Trainer API 在 PyTorch 中进行微调
|
||||
由于 PyTorch 不提供封装好的训练循环，🤗 Transformers 库写了了一个transformers.Trainer API，它是一个简单但功能完整的 PyTorch 训练和评估循环，针对 🤗 Transformers 进行了优化，有很多的训练选项和内置功能，同时也支持多GPU/TPU分布式训练和混合精度。即Trainer API是一个封装好的训练器（Transformers库内置的小框架，如果是Tensorflow，则是TFTrainer）。
|
||||
|
||||
数据预处理完成后，只需要几个简单的步骤来定义Trainer的参数，就可以使用 Trainer 进行模型的基本训练循环了（否则的话，要自己从头加载和预处理数据，设置各种参数，一步步编写训练循环。自定义训练循环的内容在本节最后）。
|
||||
|
||||
Trainer最困难的部分可能是准备运行 Trainer.train 的环境，因为它在 CPU 上运行速度非常慢。（ 如果您没有设置 GPU，则可以在 Google Colab 上访问免费的 GPU 或 TPU）
|
||||
|
||||
trainer主要参数包括：
|
||||
- Model：用于训练、评估或用于预测的模型
|
||||
- args (TrainingArguments）：训练调整的参数。如果未提供，将默认为 TrainingArguments 的基本实例
|
||||
- data_collator（DataCollator，可选）– 用于批处理train_dataset 或 eval_dataset 的的函数
|
||||
- train_dataset：训练集
|
||||
- eval_dataset：验证集
|
||||
- compute_metrics：用于计算评估指标的函数。必须传入EvalPrediction 并将返回一个字典，键值对是metric和其value。
|
||||
- callbacks （回调函数，可选）：用于自定义训练循环的回调列表（List of TrainerCallback）
|
||||
- optimizers：一个包含优化器和学习率调整器的元组，默认优化器是AdamW，默认的学习率是线性的学习率，从5e-5 到 0
|
||||
|
||||
|
||||
除了以上主要参数还有一些参数和属性（得有几十个吧，可以慢慢看。完整的Trainer文档可以参考[这里](https://huggingface.co/transformers/main_classes/trainer.html?highlight=trainer#transformers.Trainer)）
|
||||
|
||||
下面的代码示例假定您已经执行了上一节中的示例：
|
||||
|
||||
```python
|
||||
from datasets import load_dataset
|
||||
from transformers import AutoTokenizer, DataCollatorWithPadding
|
||||
|
||||
raw_datasets = load_dataset("glue", "mrpc")#MRPC判断两个句子是否互为paraphrases
|
||||
checkpoint = "bert-base-uncased"
|
||||
tokenizer = AutoTokenizer.from_pretrained(checkpoint)
|
||||
|
||||
def tokenize_function(example):
|
||||
return tokenizer(example["sentence1"], example["sentence2"], truncation=True)
|
||||
|
||||
tokenized_datasets = raw_datasets.map(tokenize_function, batched=True)
|
||||
data_collator = DataCollatorWithPadding(tokenizer=tokenizer)#动态填充，即将每个批次的输入序列填充到一样的长度
|
||||
```
|
||||
|
||||
#### 训练
|
||||
Trainer 第一个参数是TrainingArguments类，是一个与训练循环本身相关的参数的子集，包含 Trainer中用于训练和评估的所有超参数。 唯一一个必须提供的参数是：保存model或者说是checkpoint的目录，其它参数可以选取默认值（比如默认训练3个epoch等）（TrainingArguments也有几十个参数，，常见参数写在文末，完整文档包含在上面说的Trainer文档里）
|
||||
|
||||
```python
|
||||
from transformers import TrainingArguments
|
||||
|
||||
training_args = TrainingArguments("test-trainer")
|
||||
```
|
||||
第二步：定义模型
|
||||
和上一节一样，我们将使用 AutoModelForSequenceClassification 类，带有两个标签：
|
||||
（***其实就是根据自己的任务选择任务头task head，以便进行微调***）
|
||||
```python
|
||||
from transformers import AutoModelForSequenceClassification
|
||||
|
||||
model = AutoModelForSequenceClassification.from_pretrained(checkpoint, num_labels=2)#标签数为2也就是二分类
|
||||
```
|
||||
在实例化此预训练模型后会报一个warning。 这是因为 BERT 没有在句子对分类方面进行过预训练，所以预训练模型的head已经被丢弃，而是添加了一个适合序列分类的new head。 警告表明一些权重没有使用（对应于丢弃的预训练head部分），而其他一些权重被随机初始化（new head部分）， 最后鼓励您训练模型。
|
||||
|
||||
有了模型之后，就可以定义一个训练器Trainer，将迄今为止构建的所有对象传递给它进行模型精调。这些对象包括：model、training_args、训练和验证数据集、data_collator 和tokenizer。（这都是Trainer的参数）：
|
||||
|
||||
```python
|
||||
from transformers import Trainer
|
||||
|
||||
trainer = Trainer(
|
||||
model,
|
||||
training_args,
|
||||
train_dataset=tokenized_datasets["train"],
|
||||
eval_dataset=tokenized_datasets["validation"],
|
||||
data_collator=data_collator,
|
||||
tokenizer=tokenizer,
|
||||
)
|
||||
```
|
||||
像上面这样传递tokenizer时，参数data_collator 是之前定义的动态填充DataCollatorWithPadding，所以此调用中的 data_collator=data_collator行可以跳过。（但是像之前一样写出这一步很重要It was still important to show you this part of the processing in section 2!）
|
||||
|
||||
要在我们的数据集上微调模型，我们只需要调用 Trainer 的 train方法：
|
||||
|
||||
```python
|
||||
trainer.train()
|
||||
```
|
||||
开始微调（在colab上用 GPU 6分钟左右），训练完毕显示：
|
||||
|
||||
```python
|
||||
The following columns in the training set don't have a corresponding argument in `BertForSequenceClassification.forward` and have been ignored: sentence1, sentence2, idx.
|
||||
***** Running training *****
|
||||
Num examples = 3668
|
||||
Num Epochs = 3
|
||||
Instantaneous batch size per device = 8
|
||||
Total train batch size (w. parallel, distributed & accumulation) = 8
|
||||
Gradient Accumulation steps = 1
|
||||
Total optimization steps = 1377
|
||||
|
||||
Step Training Loss
|
||||
500 0.544700
|
||||
1000 0.326500
|
||||
|
||||
TrainOutput(global_step=1377, training_loss=0.3773723704795865, metrics={'train_runtime': 379.1704, 'train_samples_per_second': 29.021, 'train_steps_per_second': 3.632, 'total_flos': 405470580750720.0, 'train_loss': 0.3773723704795865, 'epoch': 3.0})
|
||||
#运行中只显示500 steps和1000 steps的结果，最终是1377 steps，最终loss是0.377
|
||||
```
|
||||
|
||||
我们可以先看看验证集预处理后的结构：
|
||||
```python
|
||||
tokenized_datasets["validation"]
|
||||
```
|
||||
```python
|
||||
Dataset({
|
||||
features: ['attention_mask', 'idx', 'input_ids', 'label', 'sentence1', 'sentence2', 'token_type_ids'],
|
||||
num_rows: 408
|
||||
})
|
||||
```
|
||||
我们可以使用 Trainer.predict 命令获得模型的预测结果：
|
||||
```python
|
||||
predictions = trainer.predict(tokenized_datasets["validation"])
|
||||
print(predictions.predictions.shape, predictions.label_ids.shape)
|
||||
```
|
||||
|
||||
```python
|
||||
(408, 2) (408,)
|
||||
```
|
||||
predict 方法输出一个具有三个字段的元组。
|
||||
- predictions： 预测值，形状为:[batch_size, num_labels], 是logits 而不是经过softmax之后的结果
|
||||
- label_ids：真实的的label id
|
||||
- metrics：评价指标，默认是training loss，以及一些time metrics （预测所需的总时间和平均时间）。但是一旦我们传入了 compute_metrics 函数给 Trainer，那么该函数的返回值也会一并输出
|
||||
|
||||
|
||||
```python
|
||||
metrics={'test_loss': 0.6269022822380066, 'test_runtime': 4.0653, 'test_samples_per_second': 100.362, 'test_steps_per_second': 12.545})
|
||||
```
|
||||
predictions是一个二维数组，形状为 408 x 2（验证集408组数据，两个标签）。 要预测结果与标签进行比较，我们需要在predictions第二个轴上取最大值的索引：
|
||||
```python
|
||||
import numpy as np
|
||||
preds = np.argmax(predictions.predictions, axis=-1)
|
||||
```
|
||||
同时，从上面训练过程可以看到：模型每 500 steps报告一次训练损失。 但是，它不会告诉您模型的表现如何。 这是因为：
|
||||
1. 没有设置evaluation_strategy 参数，告诉模型多少个“steps”（eval_steps）或“epoch”来评估一次损失。
|
||||
2. Trainer的compute_metrics 可以计算训练时具体的评估指标的值（比如acc、F1分数等等）。不设置compute_metrics 就只显示training loss，这不是一个直观的数字。
|
||||
|
||||
而如果我们将compute_metrics 函数写好并将其传递给Trainer后，metrics字段也将包含compute_metrics 返回的metrics值。
|
||||
#### 评估函数
|
||||
现在看看如何构造compute_metrics 函数。这个函数：
|
||||
- 必须传入 EvalPrediction 参数。 EvalPrediction是一个具有 predictions字段和 label_ids 字段的元组。
|
||||
- 返回一个字典，键值对是key：metric 名字（string类型），value：metric 值（float类型）。
|
||||
|
||||
***也就是[教程4.1](https://datawhalechina.github.io/learn-nlp-with-transformers/#/./%E7%AF%87%E7%AB%A04-%E4%BD%BF%E7%94%A8Transformers%E8%A7%A3%E5%86%B3NLP%E4%BB%BB%E5%8A%A1/4.1-%E6%96%87%E6%9C%AC%E5%88%86%E7%B1%BB)说的：直接调用metric的compute方法，传入labels和predictions即可得到metric的值。也只有这样做才能在训练时得到acc、F1等结果（具体指标根据不同任务来定）***
|
||||
|
||||
为了构建我们的 compute_metric 函数，我们将依赖 🤗 Datasets 库中的metric。 通过 load_metric 函数，我们可以像加载数据集一样轻松加载与 MRPC 数据集关联的metric。The object returned has a compute method we can use to do the metric calculation:
|
||||
|
||||
```python
|
||||
from datasets import load_metric
|
||||
|
||||
metric = load_metric("glue", "mrpc")
|
||||
metric.compute(predictions=preds, references=predictions.label_ids)
|
||||
```
|
||||
|
||||
```python
|
||||
{'accuracy': 0.8578431372549019, 'f1': 0.8996539792387542}#模型在验证集上的准确率为 85.78%，F1 分数为 89.97
|
||||
```
|
||||
每次训练时model head的随机初始化可能会改变最终的metric值，所以这里的最终结果可能和你跑出的不一样。 acc和F1 是用于评估 GLUE 基准的 MRPC 数据集结果的两个指标。 BERT 论文中的表格报告了基本模型的 F1 分数为 88.9。 那是un-cased模型，而我们目前使用的是cased模型，这说明了更好的结果。(cased就是指区分英文的大小写）
|
||||
|
||||
将以上内容整合到一起，得到 compute_metrics 函数：
|
||||
|
||||
```python
|
||||
def compute_metrics(eval_preds):
|
||||
metric = load_metric("glue", "mrpc")
|
||||
logits, labels = eval_preds
|
||||
predictions = np.argmax(logits, axis=-1)
|
||||
return metric.compute(predictions=predictions, references=labels)
|
||||
```
|
||||
再设定每个epoch查看一次验证评估。所以下面就是我们设定compute_metrics参数之后的Trainer：
|
||||
|
||||
```python
|
||||
training_args = TrainingArguments("test-trainer", evaluation_strategy="epoch")
|
||||
model = AutoModelForSequenceClassification.from_pretrained(checkpoint, num_labels=2)
|
||||
```
|
||||
```python
|
||||
trainer = Trainer(
|
||||
model,
|
||||
training_args,
|
||||
train_dataset=tokenized_datasets["train"],
|
||||
eval_dataset=tokenized_datasets["validation"],
|
||||
data_collator=data_collator,
|
||||
tokenizer=tokenizer,
|
||||
compute_metrics=compute_metrics
|
||||
)
|
||||
```
|
||||
请注意，我们创建了一个新的 TrainingArguments，其evaluation_strategy 设置为“epoch”和一个新模型——否则，我们只会继续训练我们已经训练过的模型。 要启动新的训练运行，我们执行：
|
||||
|
||||
```python
|
||||
trainer.train()
|
||||
```
|
||||
最终训练了6分33秒，比上一次稍微长了一点点。最后运行结果为：
|
||||
```python
|
||||
The following columns in the training set don't have a corresponding argument in `BertForSequenceClassification.forward` and have been ignored: sentence1, sentence2, idx.
|
||||
***** Running training *****
|
||||
Num examples = 3668
|
||||
Num Epochs = 3
|
||||
Instantaneous batch size per device = 8
|
||||
Total train batch size (w. parallel, distributed & accumulation) = 8
|
||||
Gradient Accumulation steps = 1
|
||||
Total optimization steps = 1377
|
||||
|
||||
Epoch Training Loss Validation Loss Accuracy F1
|
||||
1 No log 0.557327 0.806373 0.872375
|
||||
2 0.552700 0.458040 0.862745 0.903448
|
||||
3 0.333900 0.560826 0.867647 0.907850
|
||||
TrainOutput(global_step=1377, training_loss=0.37862846690325436, metrics={'train_runtime': 393.5652, 'train_samples_per_second': 27.96, 'train_steps_per_second': 3.499, 'total_flos': 405470580750720.0, 'train_loss': 0.37862846690325436, 'epoch': 3.0})
|
||||
```
|
||||
这次，模型训练时会在training loss之外，还报告每个 epoch 结束时的 validation loss和metrics。 同样，由于模型的随机头部(task head)初始化，您达到的准确准确率/F1 分数可能与我们发现的略有不同，但它应该在同一范围内。
|
||||
|
||||
Trainer 默认支持 多GPU/TPU，也支持混合精度训练，可以在训练的配置 TrainingArguments 中，设置 fp16 = True。
|
||||
|
||||
使用Trainer 很方便，但是高级的封装API也会有其弊端，就是无法进行很多自定义的操作。所以我们可以采用常规的 pytorch 的训练方法，自定义训练循环。还可以选择使用Accelerate库进行分布式训练（之前的例子都是使用单个GPU/CPU）。这部分内容不做要求，感兴趣的可以查看原文[《A full training》](https://huggingface.co/course/chapter3/4?fw=pt)，或者翻译[《微调预训练模型》](https://blog.csdn.net/qq_56591814/article/details/120147114)。
|
||||
|
||||
## 5. 补充部分
|
||||
### 为什么教程第四章都是用Trainer来微调模型？
|
||||
|
||||
预训练模型有两种用法：
|
||||
- 特征提取（预训练模型不做后续训练，不调整权重）
|
||||
- 微调（根据下游任务简单训练几个epoch，调整预训练模型权重）
|
||||
|
||||
BERT论文第五部分（实验）写的，虽然BERT做NLP任务有两种方法，但是不建议不训练模型，就直接输出结果来预测。而且Hugging Face的作者也推荐大家使用Trainer来训练模型。
|
||||
实际中，微调的效果也会明显好于特征提取（除非头铁，特征提取后面接一个很复杂的模型）。
|
||||
|
||||
至于为什么用Trainer来微调，之前也已经说了：Trainer是专门为Transformers写的一个PyTorch训练和评估循环API，使用相对简单一点。否则就要自定义训练循环。
|
||||
|
||||
这一小段是我的理解，不在HF主页课程中。
|
||||
|
||||
### TrainingArguments主要参数
|
||||
TrainingArguments参数有几十个，后面章节用到的主要有：
|
||||
- output_dir (str) ：model predictions和检查点的保存目录。保存后的模型可以使用管道加载，在下次预测时使用，详见[《使用huggingface transformers全家桶实现一条龙BERT训练和预测》](https://zhuanlan.zhihu.com/p/344767513?utm_source=wechat_session&utm_medium=social&utm_oi=1400823417357139968&utm_campaign=shareopn)
|
||||
- evaluation_strategy ：有三个选项
|
||||
- "no"：训练时不做任何评估
|
||||
- “step”：每个 eval_steps 完成（并记录）评估
|
||||
- “epoch”：在每个 epoch 结束时进行评估。
|
||||
- learning_rate (float, 可选) – AdamW 优化器学习率，defaults to 5e-5
|
||||
- weight_decay (float, 可选，默认 0) ：如果不是0，就是应用于所有层的权重衰减，除了 AdamW 优化器中的所有偏差和 LayerNorm 权重。关于weight decay可参考知乎文章[都9102年了，别再用Adam + L2 regularization了](https://zhuanlan.zhihu.com/p/63982470)。
|
||||
- save_strategy (str 或 IntervalStrategy, 可选, 默认为 "steps") ：在训练期间采用的检查点保存策略。可能的值为：
|
||||
- “no”：训练期间不保存
|
||||
- “epoch”：在每个epoch结束时进行保存
|
||||
- “steps”：每个step保存一次。
|
||||
- fp16 (bool, 可选, 默认False) –是否使用 16 位（混合）精度训练而不是 32 位训练。
|
||||
- metric_for_best_model (str, 可选) ：与 load_best_model_at_end 结合使用以指定用于比较两个不同模型的metric 。必须是评估返回的metric 的名称，带或不带前缀“eval_”。
|
||||
- num_train_epochs (float, 可选，默认是3) – 要训练的epoch数
|
||||
- load_best_model_at_end (bool, 可选, 默认为 False) ：是否在训练结束时加载训练过程中找到的最佳模型。
|
||||
|
||||
|
||||
### 不同的模型加载方式
|
||||
AutoModel 类及其所有相关类实际上是库中各种可用模型的简单包装器。 它可以自动为您的checkpoint猜测合适的模型架构，然后使用该架构实例化模型。
|
||||
|
||||
但是，如果您知道要使用的模型类型，则可以直接使用定义其架构的类。 让我们来看看它如何与 BERT 模型配合使用。
|
||||
|
||||
初始化 BERT 模型需要做的第一件事是加载配置对象：
|
||||
```python
|
||||
from transformers import BertConfig, BertModel
|
||||
|
||||
# Building the config
|
||||
config = BertConfig()
|
||||
|
||||
# Building the model from the config
|
||||
model = BertModel(config)
|
||||
```
|
||||
config配置包含了许多用于构建模型的属性：
|
||||
```python
|
||||
print(config)
|
||||
```
|
||||
```python
|
||||
BertConfig {
|
||||
[...]
|
||||
"hidden_size": 768, #hidden_states 向量的大小
|
||||
"intermediate_size": 3072, #FFN第一层神经元个数，即attention层传入第一层全连接会扩维4倍
|
||||
"max_position_embeddings": 512,#最大序列长度512
|
||||
"num_attention_heads": 12,
|
||||
"num_hidden_layers": 12,
|
||||
[...]
|
||||
}
|
||||
```
|
||||
hidden_size ： hidden_states 向量的大小<br>
|
||||
num_hidden_layers ：Transformer 模型的层数
|
||||
|
||||
从默认配置创建模型会使用随机值对其进行初始化：
|
||||
```python
|
||||
from transformers import BertConfig, BertModel
|
||||
|
||||
config = BertConfig()
|
||||
model = BertModel(config)
|
||||
|
||||
# 模型已经随机初始化了
|
||||
```
|
||||
模型可以在这种状态下使用，但是会输出乱码； 它需要先训练。 我们可以根据手头的任务从头开始训练模型，这将需要很长时间和大量数据。
|
||||
|
||||
使用 from_pretrained 方法来加载一个已经训练过的 Transformer 模型：
|
||||
```python
|
||||
from transformers import BertModel
|
||||
|
||||
model = BertModel.from_pretrained("bert-base-cased")
|
||||
```
|
||||
正如您之前看到的，我们可以用 AutoModel 类替换 BertModel，效果是一样的。后面我们会使用AutoModel类，这样做的好处是设定模型结构的部分可以不影响checkpoint。如果您的代码适用于一个checkpoint，那么也可以用于另一个checkpoint。甚至即使模型结构不同，只要checkpoint是针对类似任务训练的，也适用。
|
||||
|
||||
***使用AutoModel类，传入不同的ckeckpoint，就可以实现不同的模型，来处理任务（只要这个模型的输出可以处理此任务）。如果选择BertModel这样的，模型结构就定死了。***
|
||||
|
||||
在上面的代码示例中，我们没有使用 BertConfig（BertConfig是初始化的模型，没有经过任何训练），而是通过标识符"bert-base-cased"加载了一个预训练模型的checkpoint，这个checkpoint由 BERT 的作者自己训练。您可以在其[model card](https://huggingface.co/bert-base-cased)中找到有关它的更多详细信息。
|
||||
|
||||
该模型现在已使用checkpoint的所有权重进行初始化。它可以直接用于对训练过的任务进行推理，也可以在新任务上进行微调。
|
||||
|
||||
权重已下载并缓存在缓存文件夹中（因此以后对 from_pretrained 方法的调用不会重新下载它们），该文件夹默认为 ~/.cache/huggingface/transformers。您可以通过设置 HF_HOME 环境变量来自定义缓存文件夹。
|
||||
|
||||
用于加载模型的标识符可以是 Model Hub 上任何模型的标识符，只要它与 BERT 架构兼容即可。 可以在[此处](https://huggingface.co/models?filter=bert)找到 BERT 检查点的完整列表。
|
||||
### Dynamic padding——动态填充技术
|
||||
>youtube视频：[《what is Dynamic padding》](https://youtu.be/7q5NyFT8REg)
|
||||
|
||||
在 PyTorch 中，DataLoader有一个参数——collate 函数。它负责将一批样本放在一起，默认是一个函数，所以叫整理函数。它将您的样本转换为 PyTorch 张量进行连接（如果您的元素是列表、元组或字典，则递归）。
|
||||
|
||||
由于我们所拥有的输入序列长度不同，所以需要对输入序列进行填充（作为模型的输入，同批次的各张量必须是同一长度）。前面说过，padding到该批次中的最大长度时的效率，会高于所有序列都padding到整个数据集的最大序列长度。
|
||||
注意：如果使用TPU，则还是需要padding 到模型的 max length，因为TPU这样子效率更高。
|
||||
为了在实践中做到这一点，我们必须定义一个 collate 函数，它将对批处理数据应用正确的填充数量。（对于不同的batch 数据，进行不同长度的padding。）🤗 Transformers 库通过 DataCollatorWithPadding 为我们提供了这样的功能。当您实例化它时，它需要一个tokenizer（以了解要使用哪个填充token，以及模型希望填充在输入的左侧还是右侧），并且会执行您需要的所有操作：
|
||||
|
||||
```python
|
||||
from transformers import DataCollatorWithPadding
|
||||
|
||||
data_collator = DataCollatorWithPadding(tokenizer=tokenizer)
|
||||
```
|
||||
为了测试，我们从训练集中选取我们想要一起批处理的样本。这里需要删除 idx、sentence1 和 sentence2 列，因为不需要这些列并且它们包含字符串（不能创建张量）。查看批处理中每个输入的长度：
|
||||
|
||||
```python
|
||||
samples = tokenized_datasets["train"][:8]
|
||||
samples = {
|
||||
k: v for k, v in samples.items() if k not in ["idx", "sentence1", "sentence2"]
|
||||
}
|
||||
[len(x) for x in samples["input_ids"]]
|
||||
```
|
||||
|
||||
```python
|
||||
[50, 59, 47, 67, 59, 50, 62, 32]
|
||||
```
|
||||
我们得到了不同长度的序列。动态填充意味着该批次中的序列都应该填充到 67 的长度。 如果没有动态填充，所有样本都必须填充到整个数据集中的最大长度，或者模型可以接受的最大长度。 让我们仔细检查我们的 data_collator 是否正确地动态填充批处理：
|
||||
|
||||
```python
|
||||
batch = data_collator(samples)
|
||||
{k: v.shape for k, v in batch.items()}
|
||||
```
|
||||
|
||||
```python
|
||||
{'attention_mask': torch.Size([8, 67]),
|
||||
'input_ids': torch.Size([8, 67]),
|
||||
'token_type_ids': torch.Size([8, 67]),
|
||||
'labels': torch.Size([8])}
|
||||
```
|
||||
|
||||
Tips：以上加粗的斜体字都是笔者的注释，是对原文部分内容的解读。本教程中如果发现问题请及时反馈，谢谢。
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
Loading…
Reference in New Issue