带你上手基于Pytorch和Transformers的中文NLP训练框架

 本文分享自华为云社区《全套解决方案：基于pytorch、transformers的中文NLP训练框架，支持大模型训练和文本生成，快速上手，海量训练数据》，作者： 汀丶 。

1.简介

1. 目标：基于pytorch、transformers做中文领域的nlp开箱即用的训练框架，提供全套的训练、微调模型（包括大模型、文本转向量、文本生成、多模态等模型）的解决方案；
2. 数据：
   • 从开源社区，整理了海量的训练数据，帮助用户可以快速上手；
   • 同时也开放训练数据模版，可以快速处理垂直领域数据；
   • 结合多线程、内存映射等更高效的数据处理方式，即使需要处理百GB规模的数据，也是轻而易举；
3. 流程：每一个项目有完整的模型训练步骤，如：数据清洗、数据处理、模型构建、模型训练、模型部署、模型图解；
4. 模型：当前已经支持gpt2、clip、gpt-neox、dolly、llama、chatglm-6b、VisionEncoderDecoderModel等多模态大模型；
5. 多卡串联
   ：当前，多数的大模型的尺寸已经远远大于单个消费级显卡的显存，需要将多个显卡串联，才能训练大模型、才能部署大模型。因此对部分模型结构进行修改，实现了训练时、推理时
   的多卡串联功能。

• 模型训练

中文名称	文件夹名称	数据	数据清洗	大模型	模型部署	图解
中文文本分类	chinese_classifier	✅	✅	✅	❌	✅
中文gpt2	chinese_gpt2	✅	✅	✅	✅	❌
中文clip	chinese_clip	✅	✅	✅	❌	✅
图像生成中文文本	VisionEncoderDecoderModel	✅	✅	✅	❌	✅
vit核心源码介绍	vit model	❌	❌	❌	❌	✅
Thu-ChatGlm-6b(v1)	simple_thu_chatglm6b	✅	✅	✅	✅	❌
🌟chatglm-v2-6b🎉	chatglm_v2_6b_lora	✅	✅	✅	❌	❌
中文dolly_v2_3b	dolly_v2_3b	✅	✅	✅	❌	❌
中文llama	chinese_llama	✅	✅	✅	❌	❌
中文bloom	chinese_bloom	✅	✅	✅	❌	❌
中文falcon(注意：falcon模型和bloom结构类似)	chinese_bloom	✅	✅	✅	❌	❌
中文预训练代码	model_clm	✅	✅	✅	❌	❌
百川大模型	model_baichuan	✅	✅	✅	✅	❌
模型修剪✂️	model_modify	✅	✅	✅
llama2 流水线并行	pipeline	✅	✅	✅	❌	❌

2.文本分类模型

本部分，介绍中文的文本分类模型，适用于二分类、多分类等情况。使用transformers库。

• 处理数据code_01_processdata.ipynb
• 数据介绍
  1. 本案例使用的是一个外卖平台的评论数据，对评论的文本做了分类（分为好评和差评）
  2. 当你把code_01_processdata.ipynb文件跑完之后，就可以看到在📁data_all里面有一个📁data，里面有三个文件，样式都是像下面👇这样的

上图是一个batch的数据，或者所有的文本分类的数据样式：

1. text下面的红色条，就是一个个句子。
2. label里面有红色有绿色，就是表示标签分类。
3. transformers包做分类的时候，数据要求就这两列。

注意点：

1. 数据需要分为train_data.csv,test_data.csv,valid_data.csv,这三个csv文件注意是使用,分割开的。
2. 数据不可以有缺失值
3. 数据最好只含有两列：label,text

• label:表示标签，最好为整型数值。0,1,2,3,4等
• text:表示文本，（看你需求，可以有符号，也可以没有标点符号）

1. train_data.csv,test_data.csv,valid_data.csv这三个数据里面，不要有数据相同的，不然会造成数据泄漏。

• 训练模型code_02_trainmodel.ipynb

• 数据训练流程
  以一个batch为例：

  1. Tokenizer会将数据中的text转换成三个矩阵(或者叫三个Tensor)，分别叫input_ids,token_type_ids,attention_mask，至于怎么转换的，我们先不做详细介绍（本仓库后续会介绍）。
  2. pretrained model在被加载之前，需要设置一大堆模型的参数，至于要设置什么参数，我们也不做详细介绍。
  3. Trainer就是一个训练器，也需要预先设置好一大堆参数。至于要设置什么参数，我们也不做详细介绍。
  4. Trainer会把input_ids,token_type_ids,attention_mask；还有数据自带的标签label；还有pretrained model都加载进来，进行训练；
  5. 当所有batch的数据更新完之后，最终就会生成一个模型。your new model就诞生了。
  6. 对于刚开始学习大模型做nlp分类的任务，其实不需要考虑那么多细节，只需要注意数据流程。

• 注意点：

  1. 这个步骤非常看显存大小。显卡显存越大越好。batch_size,eval_size大小取决于显存大小。
  2. 在实际工程中，会先使用Tokenizer把所有的文本转换成input_ids,token_type_ids,attention_mask，然后在训练的时候，这步就不再做了，目的是减少训练过程中cpu处理数据的时间，不给显卡休息时间。
  3. 在使用Tokenizer把所有的文本做转换的期间，如果设置的文本的长度上限为64，那么会把大于64的文本截断；那些少于64的文本，会在训练的时候，在喂入模型之前，把长度补齐，这么做就是为了减少数据对内存的占用。

• 1. 预测code_03_predict.ipynb

  2. 这个时候，就是搞个句子，然后丢给一个pipeline(这个就是把Tokenizer和你的大模型放在一起了)，然后这个pipeline就给你返回一个分类结果。

  3. 常见的就是使用pipeline，如果更加复杂的话，比如修改模型，这个时候，就比较复杂了（后面会再次介绍）。

• 1. 部署

  2. 简单的部署相对于预测，其实就是再加一层web端口，fastapi包就可以实现。

  3. 高级一点的部署相对于预测，就需要把模型从pytorch转换成onnx格式的，这样可以提高推理效率（也不一定，就是举个例子），可能也不会使用web端口（http协议）了，会使用rpc协议等方法。这部分现在先不看。

3.中文gpt2

1. 本文，将介绍如何使用中文语料，训练一个gpt2
2. 可以使用你自己的数据训练，用来：写新闻、写古诗、写对联等
3. 我这里也训练了一个中文gpt2模型，使用了612万个样本，每个样本有512个tokens，总共相当于大约31亿个tokens

• 安装包

需要准备好环境，也就是安装需要的包

pip install -r requirements.txt

像是pytorch这种基础的包肯定也是要安装的，就不提了。

• 数据来源

  1. 获得数据:数据链接，关注公众号【统计学人】，然后回复【gpt2】即可获得。
  2. 获得我训练好的模型(使用了15GB的数据(31亿个tokens)，在一张3090上，训练了60多小时)

• 数据格式

  1. 数据其实就是一系列文件夹📁，然后每一个文件夹里面有大量的文件，每一个文件都是.csv格式的文件。其中有一列数据是content
  2. 每一行的content就代表一句话,截图如下
     
  3. 虽然数据有15GB那么大，但是处理起来一点也不复杂，使用 datasets
     包，可以很轻松的处理大数据，而我只需要传递所有的文件路径即可，这个使用 glob 包就能完成。

• 训练代码train_chinese_gpt2.ipynb

  1. 现在训练一个gpt2代码，其实很简单的。抛开处理数据问题，技术上就三点:tokenizer、gpt2_model、Trainer
  2. tokenizer使用的是bert-base-chinese
     ，然后再添加一下bos_token、eos_token、pad_token。
  3. gpt2_model使用的是gpt2，这里的gpt2我是从0开始训练的。而不是使用别人的预训练的gpt2模型。
  4. Trainer训练器使用的就是transformers的Trainer模块。（支撑多卡并行，tensorboard等，都写好的，直接调用就行了，非常好用）

• 模型
  模型已经上传到huggingface上了 https://huggingface.co/yuanzhoulvpi/gpt2_chinese
  

• 推理代码infer.ipynb

这个是chinese-gpt2的推理代码

1. 将代码中的model_name_or_path = "checkpoint-36000"里面的"checkpoint-36000",修改为模型所在的路径。
2. 然后运行下面一个代码块，即可输出文本生成结果
3. 可以参考这个代码，制作一个api，或者打包成一个函数或者类。

• 交互机器人界面chatbot.py

1. 修改代码里面的第4行，这一行值为模型所在的位置，修改为我分享的模型文件路径。

model_name_or_path = "checkpoint-36000"

1. 运行

python chatbot.py

1. 点击链接，即可在浏览器中打开机器人对话界面
   

• 更多

1. 这个完整的项目下来，其实我都是全靠huggingface文档、教程度过来的.
2. 我做的东西，也就是把Tokenizer改成中文的了，然后也整理了数据，别的大部分东西，都不是我做的了.
3. 原文链接为https://huggingface.co/course/zh-CN/chapter7/6?fw=pt.

其实，我更喜欢做应用，但是也要理解相关的背后原理，目前还在研究相关的gpt2原理还有相关的推理细节，这是我整理的链接，希望可以共同进步

1. https://huggingface.co/blog/how-to-generate
2. https://huggingface.co/gpt2
3. https://huggingface.co/gpt2-large

4.中文clip模型

1. 本文将介绍，如何从0到1的训练一个中文clip模型。
2. 在处理数据的过程中，训练的过程中，需要的注意事项。
3. 从数据流的角度，看看clip模型是怎么处理数据的，模型是怎么构建的。image和text的模型的差异性，两个模型是怎么合并起来计算loss的。

• clip模型介绍

CLIP的英文全称是Contrastive Language-Image Pre-training，即一种基于对比文本-图像对的预训练方法或者模型。
CLIP是一种基于对比学习的多模态模型，与CV中的一些对比学习方法如moco和simclr不同的是，
CLIP的训练数据是文本-图像对：一张图像和它对应的文本描述，这里希望通过对比学习，
模型能够学习到文本-图像对的匹配关系。
如下图所示，CLIP包括两个模型：

1. Text Encoder和Image Encoder，其中Text Encoder用来提取文本的特征，可以采用NLP中常用的text transformer模型；

2. Image Encoder用来提取图像的特征，可以采用常用CNN模型或者vision transformer。

   

上面这段文字来源于https://zhuanlan.zhihu.com/p/493489688

1. 从数据上看：之前相似度计算，都是两个文本对：text - text。只不过现在都是text - image了。
2. clip是两个模型（具体长什么样子，后面再说）

• 2.1 text-model：负责把text转换成向量。
• 2.2 image-model：负责把image转换成向量。
• 2.3 然后把上面两个向量，做交叉计算loss，然后loss反向传播，这样两个模型的参数都会更新。

1. 其实你想啊，这个image-model处理图像的，其实也可以改为处理视频、处理3d模型等。那简直是格局打开🫴了。我现在没有数据，后面也打算做一个。
2. 你再想想，text-image => text-image-video-3d这样联合起来，是不是更好。没数据，没机器，做不了。
3. 有些人可能感觉，你这人，就知道TMD吹牛，来来来，我带你研究研究clip模型的源码。

• 数据

1. 直接点击链接百度网盘 请输入提取码
   来获得。
2. 把下载好的文件，也就是test-2.6w.csv、train-137w.csv放在文件夹📁bigdata/raw_data里面。
3. 以此运行processdta_01.ipynb、processdta_02.ipynb、processdta_02.ipynb用来处理数据。

• 3.1 processdta_01.ipynb：用来下载数据，大概下载了10多个小时。
• 3.2 processdta_02.ipynb：用来筛选数据，不是所有的图片数据都是可以用的，这一步非常坑。需要留意。如果图片没有筛选好，在你训练到中间的时候，突然一下因为图片无法加载导致错误，从而训练中断了。
• 3.3 processdta_03.ipynb：用来把数据干净的数据处理好，合并好，生成新的，漂亮的训练数据。

1. 其实完整下来看，数据清洗，就是把符合格式的照片筛选出来，然后进行训练。

• 数据总结

说到底，你的数据只要整理成这样的一个样式即可

text	image_path
河南一村民继承祖上的一金碗,专家鉴定:此碗是溥仪皇帝用过的	bigdata/image_data/test-9282.jpg
著名钢琴家郎朗:我永远不会放弃演奏	bigdata/image_data/test-2644.jpg
科幻动作电影《超体》10月24日来袭	bigdata/image_data/test-13199.jpg

1. text：这一列对应图片的标注，或者和图片相关的文本。
2. image_path：这一列对应图片所在你电脑本地上的路径。
3. 是的，搞了半天，数据就是这么简单。

• 数据预处理

这里的数据预处理，是我随便起的名字。说白了，就是这么会是：

1. 使用tokenizer把text转换成input_ids和attention_mask.

2. 使用processor把image转换成pixel_values.

3. 处理text，那还是很快的。百万级别的数据，可能2～3分钟就行了。

4. 因为image太大了，只能在训练的时候，每一batch，才能去加载image
   ，这就导致训练的时候特别慢。倒不是因为我的3090算力不行，全都TMD卡在计算机IO上了，非常让人难受。

• 模型部分

终于讲解到clip的模型部分了。这个clip模型实在是太灵活了，你可以做很多个版本，这里我们挑几个比较常见的结构，来分享一下。

• 常见的clip模型

这里值得是常见的clip模型，特指的是transformers包的clip模型。

1. clip主要就是分为两个部分，一个是CLIPTextTransformer,一个是CLIPVisionTransformer，说白了就是一个处理text，一个处理image。
2. CLIPTextTransformer和CLIPVisionTransformer的核心，都共用了一个模型结构CLIPEncoder
   。也就是CLIP编码部分。（这里说的共用，值得是模型框架相同，而不是模型训练的时候，参数也相同。）

Q：有些人就问了，text和image两个生成的数据都不一样，比如text转换成input_ids和attention_mask；image
转换成pixel_values；他们怎么可以使用一个模型结构CLIPEncoder？

A：这个也是非常好回答的，因他俩又不是直接使用CLIPEncoder
，前后都加了一些万金油的模型组件（比如embedding、linear
等），模型输出的时候，也是这么做的。还是应了那句话，就看你怎么吧数据转换成hidden_states，以及怎么把hidden_states输出出去。

Q：CLIPTextTransformer和CLIPVisionTransformer输出的维度也不一定一样吧，怎么计算交叉损失？

A： 也很简单啦，加个linear对齐一下就行了。

看看CLIPTextTransformer和CLIPVisionTransformer的内心：

• 中文版本的clip模型

上面的常见的clip模型，确实是好，其实你只要换一个支持中文的新tokenizer，然后从0️⃣开始训练即可。
但是这么搞，没什么创意呀。其实我第一次就是这么干的，直接支持中文的新tokenizer。但是训练了一天，loss基本上没变化。我内心其实是崩溃的。

后来，我研究了一下transformers包里面的chinese-clip模型代码。我发现，chinese-clip相对于clip
。就是把常规的CLIPTextTransformer换成了bert版本的。啊对，这就破案了。这个奉上代码截图。

• 后续改进

1. 因为训练image这类型的任务，非常吃资源，不管是我的显存还是我的磁盘。目前数据占用我硬盘100GB
2. 针对loss不下降，下次如果再让我做，我打算先把clip模型的vit部分先固定住，然后训练bert来拟合vit-output。
3. 也可也固定bert模型，训练vit模型；
4. 也可以拆开做，反正本质上都是Encoder，然后计算相似度。

5. 图生文image-encoder-decoder

之前在huggingfacehttps://huggingface.co/nlpconnect/vit-gpt2-image-captioning上看到这个模型.

1. 感觉这个模型很有趣，想法很好。
2. 发现这个模型关于中文的不多。
3. 之前的clip训练其实挺失败的，loss没有下降.

主要也就是抱着学习的态度，把源码看懂，把流程跑通。分享中间的细节和踩坑经历。

1. 使用vit来作为encoder部分，输出encoder_hidden_states，绿色部分1。
2. 使用gpt2来作为decoder部分,接受encoder_hidden_states,绿色部分3。
3. 如果encoder输出的encoder_hidden_states和decoder接受的encoder_hidden_states维度不一样，就加个linear,绿色部分2。

• 模型训练需要的数据样式
  训练的时候，模型需要的数据主要有两个维度：

1. pixel_value：image通过processor生成
2. label：text通过tokenizer生成的input_ids。
3. 计算loss的时候，其实和gpt2一模一样的（自回归，本质上就是向后错位一下）。

目前已经把训练好的模型，发布在huggingface上了。https://huggingface.co/yuanzhoulvpi/vit-gpt2-image-chinese-captioning

本模块处理数据的方式和clip模型差不多，可以看隔壁文件夹，训练clip的数据处理思路。

1. 只要把processdta_02.ipynb文件替换即可。
2. 执行顺序依然按照着processdta_01.ipynb、processdta_02.ipynb、processdta_03.ipynb。

• 训练部分train_encoder_decoder.ipynb

  1. 处理图像，使用的是"google/vit-base-patch16-224"模型。
  2. 处理文本，使用的是"yuanzhoulvpi/gpt2_chinese"模型。
  3. 最后就是把两个模型通过VisionEncoderDecoderModel粘起来。

• 训练的loss

  

• 训练的信息
  gpu使用的是3090，模型大概是2.16亿个参数。花了超过20个小时。但是大部分时间都是卡在IO上（加载图片上）

• 推理用你自己训练
  参考infer_encoder_decoder.ipynb

• 直接用

from transformers import (VisionEncoderDecoderModel, 
                          AutoTokenizer,ViTImageProcessor)
import torch
from PIL import Image

vision_encoder_decoder_model_name_or_path = "yuanzhoulvpi/vit-gpt2-image-chinese-captioning"#"vit-gpt2-image-chinese-captioning/checkpoint-3200"

processor = ViTImageProcessor.from_pretrained(vision_encoder_decoder_model_name_or_path)
tokenizer = AutoTokenizer.from_pretrained(vision_encoder_decoder_model_name_or_path)
model = VisionEncoderDecoderModel.from_pretrained(vision_encoder_decoder_model_name_or_path)
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
model.to(device)

max_length = 16
num_beams = 4
gen_kwargs = {"max_length": max_length, "num_beams": num_beams}
def predict_step(image_paths):
    images = []
    for image_path in image_paths:
        i_image = Image.open(image_path)
        if i_image.mode != "RGB":
            i_image = i_image.convert(mode="RGB")

        images.append(i_image)

    pixel_values = processor(images=images, return_tensors="pt").pixel_values
    pixel_values = pixel_values.to(device)

    output_ids = model.generate(pixel_values, **gen_kwargs)

    preds = tokenizer.batch_decode(output_ids, skip_special_tokens=True)
    preds = [pred.strip() for pred in preds]
    return preds
predict_step(['bigdata/image_data/train-1000200.jpg'])

6.vit 源码

1. 之前都搞过clip、image-encoder-decoder。现在哪里还怕搞不懂vit.
2. 这里主要分享一下vit的最核心的部分。

• vit 核心的数据内容

vit想法非常牛，但是数据处理的思想更牛，之前都没提出来过。

载对于一个图片，将一个图片分割成N块。巧妙的使用nn.Conv2d。

• 初始化

import torch
from torch import nn 

#base parameter

image_size=224 # 图片的width和height
patch_size=16  # 将图片的分为块，每一块的大小为16x16，这样就有(224//16)^2 = 14 ^2 = 196个
num_channels=3 #  R,G, B
hidden_size=768 # 输出的hidden_size
batch_size = 16 # 一批数据有多少

• 创建一个分块器和一个样本数据(一个batch)

#分块器
project = nn.Conv2d(num_channels, hidden_size, kernel_size=patch_size, stride=patch_size)

#样本数据(一个`batch`) 
#batch_size, num_channels, height, width = pixel_values.shape
pixel_values = torch.randn(batch_size, num_channels, image_size, image_size)

pixel_values.shape 

• 输出分块的大小

project(pixel_values).shape 

#> torch.Size([16, 768, 14, 14])

• 数据再转换一下，image的embedding就完成了。

image_embedding = project(pixel_values).flatten(2).transpose(1, 2)
image_embedding.shape 
#> torch.Size([16, 196, 768]) # batch_size, seq_length, embedding_dim

这个时候，就已经和文本的数据一样了。维度都是(batch_size, seq_length, embedding_dim)，再向下推导，就是transformers了。没什么可介绍的了。

项目链接：https://github.com/yuanzhoulvpi2017/zero_nlp

点击关注，第一时间了解华为云新鲜技术~