【Hugging Face】实践笔记：Pipeline任务、BERT嵌入层、Train任务、WandB解析

一、Pipeline学习

如何查找哪些task可以用

选择tasks，左侧的就是task的关键字，选定一个关键字之后，比如zero-shot image classification，右侧是可以选择的模型

任务对比：`image-classification` vs `zero-shot-image-classification`

特性	`image-classification`	`zero-shot-image-classification`
类别固定性	是（模型训练时已定义）	否（自定义候选标签）
模型代表	ViT、ResNet	CLIP、ALIGN
输入格式	仅图像	图像 + 候选标签列表
典型用途	标准分类（如ImageNet）	定制化分类（品牌识别、新类别）

一句话总结：需固定类别用image-classification，需灵活自定义标签选zero-shot-image-classification

如果要更改类别，对于image-classification模型需要重新训练

二、Tokenizer vs Processor：NLP与多模态预处理

对比项	Tokenizer	Processor
适用任务	纯文本（BERT、GPT等）	多模态（CLIP、BLIP等）
输入类型	字符串文本	图像+文本 / 音频+文本
核心功能	分词、生成token ID	组合文本与图像预处理
加载方式	`AutoTokenizer`	`AutoProcessor`

一句话总结：处理纯文本用Tokenizer，多模态任务直接调用Processor

三、BERT嵌入层解析：为什么不同维度的Embedding能相加？

问题：对于BertModel的embeddings层，word_embeddings（30522×768）和position_embeddings（512×768）维度不同，为何能相加？

答案：

维度真相：两者输出向量维度均为768，差异仅在词表大小（30522 vs 512位置），实际使用时按token索引取对应向量相加。
融合逻辑：
- word_emb（词义）+ position_emb（位置）+ token_type_emb（句子角色）= 最终嵌入表示。
类比理解：三个独立特征盒子（词义、位置、角色）叠加，维度一致即可逐元素相加。

示例：输入长度为5的句子，每个token从三个Embedding层各取1个768维向量相加。

🧩 示例场景

假设我们有这样一个输入句子：

[CLS] I love NLP [SEP]

这个句子被分词成 5 个 token：

[CLS] → token_id = 101
I → token_id = 1234
love → token_id = 5678
NLP → token_id = 9101
[SEP] → token_id = 102

所以 token_ids = [101, 1234, 5678, 9101, 102] 对应的 token 类型是：[0, 0, 0, 0, 0]（全部属于第一个句子）

Embedding 层取值过程

最终嵌入融合（逐元素相加）

对每个 token，将三部分向量按位置一一相加：

final_embedding_i = word_emb[i] + position_emb[i] + token_type_emb[i]

结果如下：

Token	Final Embedding (768D)
101	w_101 + p_0 + t_0
1234	w_1234 + p_1 + t_0
5678	w_5678 + p_2 + t_0
9101	w_9101 + p_3 + t_0
102	w_102 + p_4 + t_0

总结一句话

虽然 word_embeddings 和 position_embeddings 的行数不同（即词表大小不同），但它们输出的向量维度都是 768，因此可以在每个 token 上进行逐元素相加，从而融合词义、位置和句子类型信息。

四、WandB

什么是 WandB？

WandB 是一个用于机器学习实验跟踪、可视化和协作的平台。它可以帮助你记录训练过程中的超参数、指标、模型结构、数据集版本等，并提供交互式图表帮助你分析模型表现。

常见用途：

记录训练日志（loss, accuracy 等）
可视化训练过程
跟踪不同实验之间的差异
模型版本管理
分享结果与报告

使用方法简要步骤：

安装：pip install wandb
登录：wandb login
初始化：在训练脚本中加入

import wandb
wandb.init(project="your_project_name", config={"lr": 1e-4, "batch_size": 32})

日志记录

wandb.log({"loss": loss.item(), "accuracy": acc}, step=epoch)

五、`DataCollatorWithPadding`：动态 `max_length`

在 NLP 任务中，输入序列长度通常不一致。为了提高效率，Hugging Face 提供了 DataCollatorWithPadding 来自动处理 padding。

示例：

from transformers import DataCollatorWithPadding
from transformers import Trainer

data_collator = DataCollatorWithPadding(tokenizer=tokenizer, padding="longest")

# 在DataLoader中使用
train_loader = DataLoader(
    encoded_dataset["train"],
    batch_size=16,
    shuffle=True,
    collate_fn=data_collator
)
# 在Trainer中使用
trainer = Trainer(
    model=model,
    args=training_args,
    train_dataset=train_dataset,
    eval_dataset=eval_dataset,
    data_collator=data_collator,
    tokenizer=tokenizer
)

参数说明：

padding: 可选 "longest"（当前 batch 最长）、"max_length"（固定长度）、"do_not_pad"
max_length: 若设为固定值，则所有样本 pad 到这个长度
pad_to_multiple_of: 有时需要对齐硬件优化块大小（如 TPU）

💡 动态 max_length 的好处是减少不必要的 padding，提升训练效率。

六、 Batch, Step, Epoch 的区别

名词	含义	示例	例子
Batch	一次前向+反向传播使用的样本数	batch_size=32 表示每次用 32 个样本更新权重	一篮子有32个苹果
Step	一次参数更新（即一次 batch 处理）	1 epoch = (总样本数 / batch_size) 个 steps	一次吃一篮子
Epoch	整个训练集被完整遍历一次	10 epochs 表示整个数据集被训练了 10 次	总共遍历两车

training_args = TrainingArguments(
    output_dir='./results',
    
    eval_strategy="epoch", # 每个epoch评估一次准确率
    
    learning_rate=2e-5, # 学习率
    per_device_train_batch_size=5, # 一篮子5个🍎
    per_device_eval_batch_size=5, # 一篮子5个🍎
    num_train_epochs=2, # 训练两遍
    weight_decay=0.01,
    
    save_strategy="steps", # 保存策略：按照 篮子
    save_steps=10, # 每10篮子保存一次

    logging_dir='./logs',  # 启用日志目录（用于 WandB 记录）
    logging_strategy="epoch", # 按照 epoch 算
    report_to=["wandb"],   # 把训练信息报告给 WandB
    run_name = '50-epochs2',
)

七、Pipeline 与 Config：修改模型结构但仍使用原始参数

Hugging Face 的 transformers 提供了 AutoModel.from_pretrained(...) 接口加载预训练模型。有时候你想在不改变参数的前提下，自定义模型结构（比如加一层分类层、改输出维度等）。

方法一：继承并重写模型类

from transformers import BertPreTrainedModel, BertModel
import torch.nn as nn

class MyBertForSequenceClassification(BertPreTrainedModel):
    def __init__(self, config):
        super().__init__(config)
        self.bert = BertModel(config)
        self.classifier = nn.Linear(config.hidden_size, 2)  # 修改输出类别数

    def forward(self, input_ids, attention_mask=None):
        outputs = self.bert(input_ids, attention_mask=attention_mask)
        cls_output = outputs.last_hidden_state[:, 0, :]
        logits = self.classifier(cls_output)
        return logits

方法二：加载预训练模型后替换部分层

from transformers import AutoModelForSequenceClassification

model = AutoModelForSequenceClassification.from_pretrained("bert-base-uncased", num_labels=2)
# 替换最后一层
model.classifier = nn.Linear(768, 4)  # 改成 4 类

方法三：使用 `config` 自定义模型结构

from transformers import BertConfig, BertModel

config = BertConfig.from_pretrained("bert-base-uncased")
config.num_hidden_layers = 6  # 减少层数
config.vocab_size = 30000     # 修改词汇量
model = BertModel(config)     # 构建新模型，不加载预训练参数