目录
3.1 map映射：只对数据集中的'sentence'数据进行编码
1.加载编码器
from transformers import AutoTokenizer
tokenizer = AutoTokenizer.from_pretrained(r'../data/model/distilroberta-base/')
print(tokenizer)
RobertaTokenizerFast(name_or_path='../data/model/distilroberta-base/', vocab_size=50265, model_max_length=512, is_fast=True, padding_side='right', truncation_side='right', special_tokens={'bos_token': '<s>', 'eos_token': '</s>', 'unk_token': '<unk>', 'sep_token': '</s>', 'pad_token': '<pad>', 'cls_token': '<s>', 'mask_token': '<mask>'}, clean_up_tokenization_spaces=False), added_tokens_decoder={ 0: AddedToken("<s>", rstrip=False, lstrip=False, single_word=False, normalized=True, special=True), 1: AddedToken("<pad>", rstrip=False, lstrip=False, single_word=False, normalized=True, special=True), 2: AddedToken("</s>", rstrip=False, lstrip=False, single_word=False, normalized=True, special=True), 3: AddedToken("<unk>", rstrip=False, lstrip=False, single_word=False, normalized=True, special=True), 50264: AddedToken("<mask>", rstrip=False, lstrip=True, single_word=False, normalized=False, special=True), }
1.1编码试算
tokenizer.batch_encode_plus([
'hide new secretions from the parental units',
'this moive is great'
])
{'input_ids': [[0, 37265, 92, 3556, 2485, 31, 5, 20536, 2833, 2], [0, 9226, 7458, 2088, 16, 372, 2]], 'attention_mask': [[1, 1, 1, 1, 1, 1, 1, 1, 1, 1], [1, 1, 1, 1, 1, 1, 1]]}
# 'input_ids'中的0：表示 'bos_token': '<s>'
#'input_ids'中的2：表示 'eos_token': '</s>'
#Bert模型有特殊字符！！！！！！！
2.加载数据集
from datasets import load_from_disk #从本地加载已经下载好的数据集
dataset_dict = load_from_disk('../data/datasets/glue_sst2/')
dataset_dict
DatasetDict({ train: Dataset({ features: ['sentence', 'label', 'idx'], num_rows: 67349 }) validation: Dataset({ features: ['sentence', 'label', 'idx'], num_rows: 872 }) test: Dataset({ features: ['sentence', 'label', 'idx'], num_rows: 1821 }) })
#若是从网络下载(国内容易网络错误，下载不了，最好还是先去镜像网站下载，本地加载)
# from datasets import load_dataset
# dataset_dict2 = load_dataset(path='glue', name='sst2')
# dataset_dict2
3.数据集处理
3.1 map映射：只对数据集中的'sentence'数据进行编码
#预测中间词任务：只需要'sentence' ，不需要'label'和'idx'
#用map（）函数，映射：只对数据集中的'sentence'数据进行编码
def f_1(data, tokenizer):
return tokenizer.batch_encode_plus(data['sentence'])
dataset_dict = dataset_dict.map(f_1,
batched=True,
batch_size=16,
drop_last_batch=True,
remove_columns=['sentence', 'label', 'idx'],
fn_kwargs={'tokenizer': tokenizer},
num_proc=8) #8个进程， 查看任务管理器>性能>逻辑处理器
dataset_dict
DatasetDict({ train: Dataset({ features: ['input_ids', 'attention_mask'], num_rows: 67328 }) validation: Dataset({ features: ['input_ids', 'attention_mask'], num_rows: 768 }) test: Dataset({ features: ['input_ids', 'attention_mask'], num_rows: 1792 }) })
3.2用filter()过滤 单词太少的句子过滤掉
#处理句子，让每一个句子的都至少有9个单词，单词太少的句子过滤掉
#用filter()过滤
def f_2(data):
return [len(i) >= 9 for i in data['input_ids']]
dataset_dict = dataset_dict.filter(f_2, batched=True,
batch_size=1000,
num_proc=8)
dataset_dict
DatasetDict({
train: Dataset({
features: ['input_ids', 'attention_mask'],
num_rows: 44264
})
validation: Dataset({
features: ['input_ids', 'attention_mask'],
num_rows: 758
})
test: Dataset({
features: ['input_ids', 'attention_mask'],
num_rows: 1747
})
})
tokenizer.vocab['<mask>']
tokenizer.get_vocab()['<mask>']
#两句输出都是：
#502643.3截断句子
#截断句子， 同时将数据集的句子整理成预训练模型需要的格式
def f_3(data):
b = len(data['input_ids'])
data['labels'] = data['attention_mask'].copy() #复制，不影响原数据
for i in range(b):
#将句子长度就裁剪到9
data['input_ids'][i] = data['input_ids'][i][:9]
data['attention_mask'][i] = [1] * 9
data['labels'][i] = [-100] * 9
#使用的distilroberta-base是基于Bert模型的，每个句子de 'input_ids'最后一个单词需要设置成2
data['input_ids'][i][-1] = 2
#每一个句子的第四个词需要被预测,赋值给‘labels’，成为标签真实值
data['labels'][i][4] = data['input_ids'][i][4]
#每一个句子的第四个词为mask
# data['input_ids'][i][4] = tokenizer.vocab['<mask>']
data['input_ids'][i][4] = 50264
return data
#map()函数是对传入数据的下一层级的数据进行操作
#dataset_dict是一个字典， map函数会直接对dataset_dict['train']下的数据操作
dataset_dict = dataset_dict.map(f_3, batched=True, batch_size=1000, num_proc=12)
dataset_dict
DatasetDict({ train: Dataset({ features: ['input_ids', 'attention_mask', 'labels'], num_rows: 44264 }) validation: Dataset({ features: ['input_ids', 'attention_mask', 'labels'], num_rows: 758 }) test: Dataset({ features: ['input_ids', 'attention_mask', 'labels'], num_rows: 1747 }) })
dataset_dict['train'][0]
{'input_ids': [0, 37265, 92, 3556, 50264, 31, 5, 20536, 2], 'attention_mask': [1, 1, 1, 1, 1, 1, 1, 1, 1], 'labels': [-100, -100, -100, -100, 2485, -100, -100, -100, -100]}
dataset_dict['train']['input_ids']
输出太多，部分展示 [[0, 37265, 92, 3556, 50264, 31, 5, 20536, 2], [0, 10800, 5069, 117, 50264, 2156, 129, 6348, 2], [0, 6025, 6138, 63, 50264, 8, 39906, 402, 2], [0, 5593, 5069, 19223, 50264, 7, 1091, 5, 2], [0, 261, 5, 2373, 50264, 12, 1116, 12, 2], [0, 6025, 128, 29, 50264, 350, 8805, 7, 2], [0, 34084, 6031, 1626, 50264, 5, 736, 9, 2],。。。。。]]
4.创建数据加载器Dataloader
import torch
from transformers.data.data_collator import default_data_collator #将从一条一条数据传输变成一批批数据传输
loader = torch.utils.data.DataLoader(
dataset=dataset_dict['train'],
batch_size=8,
shuffle=True,
collate_fn=default_data_collator,
drop_last=True #最后一批数据不满足一批的数据量batch_size,就删掉
)
for data in loader:
break #遍历赋值，不输出
len(loader), data
#'labels'中的-100就是占个位置，没有其他含义， 后面用交叉熵计算损失时， -100的计算结果接近0，损失没有用
(5533, {'input_ids': tensor([[ 0, 2962, 5, 20577, 50264, 31, 36331, 7, 2], [ 0, 627, 2471, 16, 50264, 15, 8, 1437, 2], [ 0, 6968, 192, 24, 50264, 209, 26757, 11641, 2], [ 0, 405, 128, 29, 50264, 25306, 9438, 15796, 2], [ 0, 8344, 6343, 8, 50264, 1342, 7790, 38984, 2], [ 0, 10800, 5069, 5, 50264, 2156, 34934, 2156, 2], [ 0, 102, 1531, 284, 50264, 14, 128, 29, 2], [ 0, 6, 3007, 648, 50264, 38854, 480, 1437, 2]]), '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, 1, 1, 1, 1], [1, 1, 1, 1, 1, 1, 1, 1, 1], [1, 1, 1, 1, 1, 1, 1, 1, 1], [1, 1, 1, 1, 1, 1, 1, 1, 1], [1, 1, 1, 1, 1, 1, 1, 1, 1], [1, 1, 1, 1, 1, 1, 1, 1, 1]]), 'labels': tensor([[ -100, -100, -100, -100, 1182, -100, -100, -100, -100], [ -100, -100, -100, -100, 1514, -100, -100, -100, -100], [ -100, -100, -100, -100, 11, -100, -100, -100, -100], [ -100, -100, -100, -100, 372, -100, -100, -100, -100], [ -100, -100, -100, -100, 33572, -100, -100, -100, -100], [ -100, -100, -100, -100, 12073, -100, -100, -100, -100], [ -100, -100, -100, -100, 1569, -100, -100, -100, -100], [ -100, -100, -100, -100, 2156, -100, -100, -100, -100]])})
5. 下游任务模型
from transformers import AutoModelForCausalLM, RobertaModel
class Model(torch.nn.Module):
def __init__(self):
super().__init__()
#相当于encoder
self.pretrained_model = RobertaModel.from_pretrained(r'../data/model/distilroberta-base/')
#decoder：就是一层全连接层（线性层）
#bert-base模型输出是768
decoder = torch.nn.Linear(768, tokenizer.vocab_size)
#全连接线性层有bias， 初始化为0 , size=tokenizer.vocab_size
decoder.bias = torch.nn.Parameter(torch.zeros(tokenizer.vocab_size))
#全连接
self.fc = torch.nn.Sequential(
#全连接索引0层
torch.nn.Linear(768, 768),
#全连接索引1层
torch.nn.GELU(), #激活函数，把线性的变成非线性的
#一般 线性层+激活函数+BN层标准化
#在NLP中，一般为： 线性层+激活函数+LN层标准化
#全连接索引2层
torch.nn.LayerNorm(768, eps=1e-5),
#全连接索引3层
decoder) #输出层：一层全连接，不用加激活函数
#加载预训练模型的参数
pretrained_parameters_model = AutoModelForCausalLM.from_pretrained(r'../data/model/distilroberta-base/')
self.fc[0].load_state_dict(pretrained_parameters_model.lm_head.dense.state_dict())
self.fc[2].load_state_dict(pretrained_parameters_model.lm_head.layer_norm.state_dict())
self.fc[3].load_state_dict(pretrained_parameters_model.lm_head.decoder.state_dict())
self.criterion = torch.nn.CrossEntropyLoss()
#forward拼写错误将无法接收传入的参数！！！
def forward(self, input_ids, attention_mask, labels=None):
#labels算损失时再传入
logits = self.pretrained_model(input_ids, attention_mask)
logits = logits.last_hidden_state #最后一层的hidden_state
logits = self.fc(logits)
#计算损失
loss = None
if labels is not None: #若传入了labels
#distilroberta-base这个模型本身做的任务是：根据上一个词预测下一个词
#在这个模型里会有一个偏移量，
#我么需要对labels和logits都做一个shift偏移
#logits的shape是（batch_Size, 一句话的长度， vocab_size）
shifted_logits = logits[:, :-1].reshape(-1, tokenizer.vocab_size) #三维tensor数组变成二维
#labels是二维tensor数组， shape（batch_size, 一句话的长度）
shifted_labels = labels[:,1:].reshape(-1) #二维变成一维
#计算损失
loss = self.criterion(shifted_logits, shifted_labels)
return {'loss': loss, 'logits': logits} #logits是预测值model = Model()
#参数量
#for i in model.parameters() 获取一层的参数 i， 是一个tensor()
# i.numel()是用于返回一个数组或矩阵中元素的数量。函数名称“numel”是“number of elements”的缩写
print(sum(i.numel() for i in model.parameters()))121364313 #1.2多亿的参数量，6G显存还可以跑
#未训练之前，先看一下加载的预训练模型的效果
out = model(**data)
out['loss'], out['logits'].shape
#out['logits']的shape（batch_size, 每个句子的长度， vocab_size）
#8:就是一批中8个句子，每个句子有9个单词， 每个单词有50265个类别(tensor(19.4897, grad_fn=<NllLossBackward0>), torch.Size([8, 9, 50265]))
6.测试预测代码
def test(model):
model.eval() #调回评估模式，适用于预测
#创建测试数据的加载器
loader_test = torch.utils.data.DataLoader(
dataset=dataset_dict['test'],
batch_size=8,
collate_fn = default_data_collator, #默认的批量取数据
shuffle=True,
drop_last=True)
correct = 0
total = 0
for i, data in enumerate(loader_test):
#克隆data['labels']中索引为4的元素，取出来
label = data['labels'][:, 4].clone()
#从数据中抹掉label， 防止模型作弊
data['labels'] = None
#计算
with torch.no_grad(): #不求导，不进行梯度下降
#out：下游任务模型的输出结果，是一个字典，包含loss和logits
out = model(**data) #**data直接把data这个字典解包成关键字参数
#计算出logits最大概率
##out['logits']的shape（batch_size, 每个句子的长度， vocab_size）
#argmax()之后，shape变成（8, 9）
out = out['logits'].argmax(dim=2)[:, 4] #取出第四个才是我们的预测结果
correct += (label == out).sum().item()
total += 8 #batch_size=8， 每一批数据处理完，处理的数据总量+8
#每隔10次输出信息
if i % 10 == 0:
print(i)
print(label)
print(out)
if i == 50:
break
print('accuracy:', correct / total)
for i in range(8): #输出8句话的预测与真实值的对比
print(tokenizer.decode(data['input_ids'][i]))
print(tokenizer.decode(label[i]), tokenizer.decode(out[i]))
print()test(model)0 tensor([ 5466, 3136, 10, 1397, 19, 16362, 281, 11398]) tensor([ 1617, 26658, 10, 1545, 30, 5167, 281, 11398]) 10 tensor([ 10, 4891, 3156, 14598, 21051, 2156, 6707, 25]) tensor([ 10, 1910, 12774, 2156, 16801, 77, 31803, 25]) 20 tensor([ 9635, 15305, 2441, 197, 22364, 2156, 9, 203]) tensor([ 9635, 43143, 3021, 939, 1363, 14, 9, 9712]) 30 tensor([6717, 19, 1073, 364, 67, 710, 14, 3739]) tensor([ 6717, 17428, 23250, 30842, 350, 4712, 14, 3739]) 40 tensor([ 998, 3117, 4132, 1318, 9, 99, 5, 3834]) tensor([ 6545, 1049, 41407, 27931, 263, 5016, 5, 13295]) 50 tensor([ 10, 53, 98, 5393, 6373, 19255, 236, 35499]) tensor([ 10, 8, 98, 4521, 17626, 14598, 236, 3374]) accuracy: 0.3088235294117647 <s>the picture is<mask> primer on what</s> a a <s>well-shot<mask> badly written tale</s> but and <s>some actors have<mask> much charisma that</s> so so <s>so few movies<mask> religion that it</s> explore mention <s>this delicately<mask> story , deeply</s> observed crafted <s>awkward but<mask> and , ultimately</s> sincere hilarious <s>you might not<mask> to hang out</s> want want <s>the film often<mask> a mesmerizing</s> achieves becomes
7.训练代码
device = torch.device('cuda:0' if torch.cuda.is_available() else 'cpu')
devicedevice(type='cuda', index=0)
from transformers import AdamW
from transformers.optimization import get_scheduler
#训练代码
def train():
optimizer = AdamW(model.parameters(), lr=2e-5)
#学习率下降计划
scheduler = get_scheduler(name='linear',
num_warmup_steps=0, #从一开始就预热，没有缓冲区
num_training_steps=len(loader),
optimizer=optimizer)
model.to(device) #将模型设置到设备上
model.train() #调到训练模式
for i,data in enumerate(loader): #一个loader的数据传完算一个epoch,NLP中很少写epoch，因为文本样本数太大
#接收数据
input_ids, attention_mask, labels = data['input_ids'], data['attention_mask'], data['labels']
#将数据都传送到设备上
input_ids, attention_mask, labels = input_ids.to(device), attention_mask.to(device), labels.to(device)
#将出入设备的数据再次传入到设备上的模型中
#out是一个字典，包括‘loss’和‘logits’预测的每个类别的概率
out = model(input_ids=input_ids, attention_mask=attention_mask, labels=labels)
#从返回结果中获取损失
loss = out['loss']
#反向传播
loss.backward()
#为了稳定训练， 进行梯度裁剪
torch.nn.utils.clip_grad_norm_(model.parameters(), 1.0) #让公式中的c=1.0
#梯度更新
optimizer.step()
scheduler.step()
#梯度清零
optimizer.zero_grad()
model.zero_grad()
if i % 50 == 0 :
#训练时，data['labels']不需要抹除掉设置成空
#只需要把每句话第四个单词取出来，赋值给label做为真实值即可
label = data['labels'][:, 4].to(device)
#获取预测的第4个单词字符
out = out['logits'].argmax(dim=2)[:, 4]
#计算预测准确的数量
correct = (label == out).sum().item()
#一批次计算处理的句子总量
total = 8
#计算准确率
accuracy = correct / total
lr = optimizer.state_dict()['param_groups'][0]['lr']
print(i, loss.item(), accuracy, lr) train() #相当于训练了一个epoch
#8G显存一次跑两亿参数就差不多，再多放不下跑不了
#我的是6G，一次跑1.3亿左右就行 输出太多，显示部分：
0 19.273836135864258 0.125 1.9996385324417135e-05 50 5.71422004699707 0.25 1.9815651545273814e-05 100 5.9950056076049805 0.25 1.9634917766130493e-05 150 3.5554256439208984 0.25 1.945418398698717e-05 200 3.5855653285980225 0.375 1.9273450207843848e-05 250 3.3996706008911133 0.125 1.9092716428700527e-05。。。。
5200 2.7103517055511475 0.5 1.2000722935116574e-06 5250 2.340709686279297 0.75 1.0193385143683355e-06 5300 2.316523551940918 0.375 8.386047352250136e-07 5350 2.541797399520874 0.5 6.578709560816917e-07 5400 1.3354747295379639 0.625 4.771371769383698e-07 5450 2.276153326034546 0.75 2.964033977950479e-07 5500 1.8481557369232178 0.75 1.1566961865172602e-07
8.保存与加载模型
#保存模型
torch.save(model, '../data/model/预测中间词.model')
#加载模型 需要加载到cpu，不然会报错
model_2 = torch.load('../data//model/预测中间词.model', map_location='cpu')test(model_2)
0 tensor([ 2156, 562, 23, 1372, 128, 41, 7078, 13836]) tensor([ 2156, 562, 30, 13074, 128, 41, 23460, 13836]) 10 tensor([ 615, 1239, 15369, 30340, 1224, 39913, 32, 7]) tensor([ 3159, 1239, 15369, 30340, 1447, 13938, 2156, 7]) 20 tensor([ 29, 47, 3739, 21051, 9, 10, 98, 9599]) tensor([ 29, 17504, 3739, 7580, 9, 10, 98, 9599]) 30 tensor([3668, 29, 172, 147, 8, 1630, 10, 2156]) tensor([ 98, 2696, 53, 14, 2156, 1630, 10, 6269]) 40 tensor([ 213, 16, 3541, 1081, 117, 352, 5, 65]) tensor([213, 16, 24, 480, 117, 352, 5, 65]) 50 tensor([35402, 19, 101, 4356, 1085, 45, 615, 5313]) tensor([35966, 19, 95, 4356, 1085, 45, 615, 676]) accuracy: 0.5122549019607843 <s>accuracy and<mask> are terrific ,</s> realism pacing <s>a film made<mask> as little wit</s> with with <s>the film is<mask> a series of</s> like just <s>this is what<mask>ax was made</s> im im <s>there 's<mask> provocative about this</s> nothing nothing <s>the story may<mask> be new ,</s> not not <s>there are just<mask> twists in the</s> enough enough <s>a pleasant enough<mask> that should have</s> comedy experience
扫一扫
2万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
