昇思 25 天学习打卡营第 17 天 | 基于 MindSpore 通过 GPT 实现情感分类

1. 背景：

使用 mindspore 学习神经网络，打卡第 17 天；主要内容也依据 mindspore 的学习记录。

2. GPT 介绍：

mindspore 实现 GPT 实现情感分类；
GPT 论文地址

• GPT 基本介绍：
  它是 OpenAI 于2018年开发并发布的一种新型语言模型。他是通过对各种未标记文本语料库进行语言模型的生成预训练，然后对每个特定任务进行判别性微调，可以实现自然语言理解包括各种不同的任务，例如文本蕴涵、问答、语义相似性评估和文档分类等功能。

• 算法流程：主要分为两阶段；
  a. 无监督预训练:
  在大量文本语料库上学习高容量语言模型。
  给定一个无监督的标记语料库 U = {u1， . . . ， un}，我们使用标准语言建模目标来最大化以下可能性：
  实验中使用变体的多层Transformer解码器作为语言模型。
  其中 k 是上下文窗口的大小，条件概率 P 是使用参数为 Θ 的神经网络建模的。这些参数是使用随机梯度下降法训练的。
  b. 监督微调：
  将参数调整到监督目标任务中。具体看参考 GPT 论文第三节；
  翻译地址

• 模型结构：
  下图左边 GPT 的 Transformer 架构，主要有 12 层的 Transformer；
  下图右边为根据不同的任务做微调；所有的输入参数都变成 Token sequences;

3. 具体实现：

mindspore 实现 GPT 的情感分类

3.1 数据下载：

使用的主要是 Huggingface 的国内镜像 ，因此，需要先安装 python 代码以及设置信息；

# 该案例在 mindnlp 0.3.1 版本完成适配，如果发现案例跑不通，可以指定mindnlp版本，执行`!pip install mindnlp==0.3.1`
!pip install mindnlp
!pip install jieba
%env HF_ENDPOINT=https://hf-mirror.com

import os

import mindspore
from mindspore.dataset import text, GeneratorDataset, transforms
from mindspore import nn

from mindnlp.dataset import load_dataset

from mindnlp._legacy.engine import Trainer, Evaluator
from mindnlp._legacy.engine.callbacks import CheckpointCallback, BestModelCallback
from mindnlp._legacy.metrics import Accuracy

imdb_ds = load_dataset('imdb', split=['train', 'test'])
imdb_train = imdb_ds['train']
imdb_test = imdb_ds['test']

3.2 数据前处理：

import numpy as np

def process_dataset(dataset, tokenizer, max_seq_len=512, batch_size=4, shuffle=False):
    is_ascend = mindspore.get_context('device_target') == 'Ascend'
    def tokenize(text):
        if is_ascend:
            tokenized = tokenizer(text, padding='max_length', truncation=True, max_length=max_seq_len)
        else:
            tokenized = tokenizer(text, truncation=True, max_length=max_seq_len)
        return tokenized['input_ids'], tokenized['attention_mask']

    if shuffle:
        dataset = dataset.shuffle(batch_size)

    # map dataset
    dataset = dataset.map(operations=[tokenize], input_columns="text", output_columns=['input_ids', 'attention_mask'])
    dataset = dataset.map(operations=transforms.TypeCast(mindspore.int32), input_columns="label", output_columns="labels")
    # batch dataset
    if is_ascend:
        dataset = dataset.batch(batch_size)
    else:
        dataset = dataset.padded_batch(batch_size, pad_info={'input_ids': (None, tokenizer.pad_token_id),
                                                             'attention_mask': (None, 0)})

    return dataset

• 使用 OpenAI 的 GPT Token：

from mindnlp.transformers import GPTTokenizer
# tokenizer
gpt_tokenizer = GPTTokenizer.from_pretrained('openai-gpt')

# add sepcial token: <PAD>
special_tokens_dict = {
    "bos_token": "<bos>",
    "eos_token": "<eos>",
    "pad_token": "<pad>",
}
num_added_toks = gpt_tokenizer.add_special_tokens(special_tokens_dict)

# 将训练数据分成训练集和验证集
imdb_train, imdb_val = imdb_train.split([0.7, 0.3])

# 将数据集 Token 化
dataset_train = process_dataset(imdb_train, gpt_tokenizer, shuffle=True)
dataset_val = process_dataset(imdb_val, gpt_tokenizer)
dataset_test = process_dataset(imdb_test, gpt_tokenizer)

next(dataset_train.create_tuple_iterator())

3.2 模型构建与训练：

mindnlp 中 transformers 模块中，已经有 GPTForSequenceClassification， 可以直接使用；
优化器选择 Adam 优化器

from mindnlp.transformers import GPTForSequenceClassification
from mindspore.experimental.optim import Adam

# set bert config and define parameters for training
model = GPTForSequenceClassification.from_pretrained('openai-gpt', num_labels=2)
model.config.pad_token_id = gpt_tokenizer.pad_token_id
model.resize_token_embeddings(model.config.vocab_size + 3)

optimizer = nn.Adam(model.trainable_params(), learning_rate=2e-5)

metric = Accuracy()

# define callbacks to save checkpoints
ckpoint_cb = CheckpointCallback(save_path='checkpoint', ckpt_name='gpt_imdb_finetune', epochs=1, keep_checkpoint_max=2)
best_model_cb = BestModelCallback(save_path='checkpoint', ckpt_name='gpt_imdb_finetune_best', auto_load=True)

trainer = Trainer(network=model, train_dataset=dataset_train,
                  eval_dataset=dataset_train, metrics=metric,
                  epochs=1, optimizer=optimizer, callbacks=[ckpoint_cb, best_model_cb],
                  jit=False)
trainer.run(tgt_columns="labels")

3.3 模型验证

将验证数据集加再进训练好的模型，对数据集进行验证，查看模型在验证数据上面的效果，此处的评价指标为准确率。

evaluator = Evaluator(network=model, eval_dataset=dataset_test, metrics=metric)
evaluator.run(tgt_columns="labels")

4. 相关链接：

• GPT 论文地址
• GPT 翻译地址
• https://xihe.mindspore.cn/events/mindspore-training-camp