刘知远大模型学习笔记-大模型微调（fine-tune）

Transformers：

       由Hugging Face提出，包括许多预训练大模型，能够通过pipeline轻松实现部署应用，我在VSCode中通过虚拟环境实现，需要先pip install transformers。
比如一个小例子：

from transformers import pipeline
classifier = pipeline("sentiment-analysis")
res = classifier("春天就要结束了.")
print(res)

Fine-tune：

       目的：在预训练大模型上使用自己的数据集进行微调，让模型在特有领域表现更好。

数据集tokenize：

from datasets import load_dataset, load_metric
dataset = load_dataset("glue", 'sst2')
metric = load_metric('glue', 'sst2')

       datasets库包括了许多常用的数据集，通过(load_dataset)就可以完成数据集的下载与加载，且load_metric能够加载该数据集对应的评价指标以便计算，其中glue是“General Language Understanding Evaluation”（通用语言理解评估）的缩写，它是一个用于评估和比较自然语言理解（NLU）系统性能的benchmark。GLUE包括了多种不同的任务，如文本蕴含、情感分析、句子相似性匹配等，旨在覆盖广泛的语言理解能力。而sst2是其中一个进行情感分析的数据集。

展示metric的计算使用：

import numpy as np

fake_preds = np.random.randint(0, 2, size=(64,))
fake_labels = np.random.randint(0, 2, size=(64,))
metric.compute(predictions=fake_preds, references=fake_labels)#传入我们随机生成的模型结果与真实结果，计算准确性

       插播一点NLP token小知识（我对NLP之前完全不了解）： Tokenization：语言任务中的分词处理，比如RNN使用空格进行分词，Transformer架构中发现这种方法对于词典里没有的词语表现效果很差，使用一种BPE的方法，类似于英文单词中的词根，通过统计词根的词频，提高了对新单词的效果。
       进行微调时需要自己写一些模型加载以及数据处理等的代码，transformers对此流程进行了统一和简化。

Tokenization

from transformers import AutoTokenizer
# 利用tokenizer处理数据集
tokenizer = AutoTokenizer.from_pretrained('bert-base-uncased') #可以去官网查看不同模型的名字
def preprocess_function(examples):
    return tokenizer(examples['sentence'], truncation=True, max_length=512)#bert不能处理长度超过512的序列
# 用preprocess_function来处理整个数据集
encoded_dataset = dataset.map(preprocess_function, batched=True)

看下tokenizer生成的是什么东西吧：

tokenizer("Tsinghua University is located in Beijing.")

结果为：
{‘input_ids’：[ ],‘token_type_ids’:[ ],‘attention_mask’:[ ]}三部分，attention_mask要对补长的对应部分设置为0，这些内容不需要处理。

Fine-tune 模型

from transformers import AutoModelForSequenceClassification
model = AutoModelForSequenceClassification.from_pretrained('bert-base-uncased', num_labels=2)

       目标任务是情感分类，所以label=2，label数量决定了最后的全连接层数量。
       接下来使用前面提到过的Hugging Face中的trainer类实现：

from transformers import TrainingArguments

batch_size=16
args = TrainingArguments(
    "bert-base-uncased-finetuned-sst2",
    evaluation_strategy="epoch",
    save_strategy="epoch",
    learning_rate=2e-5,
    per_device_train_batch_size=batch_size,
    per_device_eval_batch_size=batch_size,
    num_train_epochs=5,
    weight_decay=0.01,
    load_best_model_at_end=True,
    metric_for_best_model="accuracy"
)

def compute_metrics(eval_pred):
    logits, labels = eval_pred                 # predictions: [batch_size,num_labels], labels:[batch_size,]
    predictions = np.argmax(logits, axis=1)    # 将概率最大的类别作为预测结果
    return metric.compute(predictions=predictions, references=labels)

from transformers import Trainer
trainer = Trainer(
    model,
    args,
    train_dataset=encoded_dataset["train"],
    eval_dataset=encoded_dataset["validation"],
    tokenizer=tokenizer,
    compute_metrics=compute_metrics
)

每个参数的含义：

第一个参数：本次训练的名称
evaluation_strategy=“epoch”：在每个epoch结束的时候在validation集上测试模型效果
save_strategy=“epoch”：在每个epoch结束的时候保存一个checkpoint
learning_rate=2e-5：优化的学习率
per_device_train_batch_size=batch_size：训练时每个gpu上的batch_size
per_device_eval_batch_size=batch_size：测试时每个gpu上的batch_size
num_train_epochs=5：训练5个epoch
weight_decay=0.01：优化时采用的weight_decay
load_best_model_at_end=True：在训练结束后，加载训练过程中最好的参数
metric_for_best_model=“accuracy”：以准确率作为指标

开始训练~

trainer.train()

此时trainer相当于一个pipeline。

补充：我在自己VSCode中运行这个demo时遇到报错：

packages/torch/utils/data/dataloader.py", line 183, in __init__
    assert prefetch_factor > 0
TypeError: '>' not supported between instances of 'NoneType' and 'int'

大致能看出是关于dataloader中prefetch_factor的问题，参考github和优快云：这篇文章，终于找到了解决办法！：

 """ if num_workers == 0 and prefetch_factor != 2:
            raise ValueError('prefetch_factor option could only be specified in multiprocessing.'
                             'let num_workers > 0 to enable multiprocessing.')
        assert prefetch_factor > 0 """

        if num_workers > 0:
            if prefetch_factor is None:
                prefetch_factor = 2   # default value
        else:
            if prefetch_factor is not None:
                raise ValueError('prefetch_factor option could only be specified in multiprocessing.' 
                         'let num_workers > 0 to enable multiprocessing, otherwise set prefetch_factor to None.')

大家能够看到，解决办法是将dataloader.py中原始的这段代码替换成了新代码：

if num_workers > 0:
            if prefetch_factor is None:
                prefetch_factor = 2   # default value
        else:
            if prefetch_factor is not None:
                raise ValueError('prefetch_factor option could only be specified in multiprocessing.' 
                         'let num_workers > 0 to enable multiprocessing, otherwise set prefetch_factor to None.')

已经成功解决，并且完美运行demo！

完整代码

在文章末尾我给出本demo的完整代码：

from transformers import AutoTokenizer
# 利用tokenizer处理数据集
from datasets import load_dataset, load_metric
from transformers import TrainingArguments
from transformers import AutoModelForSequenceClassification
from transformers import Trainer
import numpy as np

dataset = load_dataset("glue", 'sst2', cache_dir="./datasets_cache)
metric = load_metric('glue', 'sst2')
tokenizer = AutoTokenizer.from_pretrained('bert-base-uncased') #可以去官网查看不同模型的名字
def preprocess_function(examples):
    return tokenizer(examples['sentence'], truncation=True, max_length=512)#bert不能处理长度超过512的序列
# 用preprocess_function来处理整个数据集

encoded_dataset = dataset.map(preprocess_function, batched=True)
print(preprocess_function(dataset['train'][:5]))


model = AutoModelForSequenceClassification.from_pretrained('bert-base-uncased', num_labels=2)


# Rest of your code

batch_size=16
args = TrainingArguments(
    "bert-base-uncased-finetuned-sst2",
    evaluation_strategy="epoch",
    save_strategy="epoch",
    learning_rate=2e-5,
    per_device_train_batch_size=batch_size,
    per_device_eval_batch_size=batch_size,
    num_train_epochs=5,
    weight_decay=0.01,
    load_best_model_at_end=True,
    metric_for_best_model="accuracy"
 
)

def compute_metrics(eval_pred):
    logits, labels = eval_pred                 # predictions: [batch_size,num_labels], labels:[batch_size,]
    predictions = np.argmax(logits, axis=1)    # 将概率最大的类别作为预测结果
    return metric.compute(predictions=predictions, references=labels)


trainer = Trainer(
    model,
    args,
    train_dataset=encoded_dataset["train"],
    eval_dataset=encoded_dataset["validation"],
    tokenizer=tokenizer,
    compute_metrics=compute_metrics
)

trainer.train()