昇思25天学习打卡营第2天|基于MindSpore通过GPT实现情感分类-CSDN博客

本文链接：https://blog.csdn.net/ljd939952281/article/details/139963413

近日，OpenAI首席技术官米拉·穆拉蒂表示GPT-将在一年半后发布，并称GPT-4到GPT-5的飞跃将是高中生到博士生的成长。毫无疑问，GPT-5将进一步提高生产力，增强人机交互，推动行业变革。进一步拓宽应用场景，包括高级研究助手、个性化教育、医疗诊断和辅助、内容创作和生成。截至目前，GPT模型已经发展了四代，分别是GPT-1、GPT-2、GPT-3和GPT-4。以下是每一代模型的一些主要特点：

模型	模型参数	创新能力	评价
GPT1	1.17亿参数	预训练+微调	创新点在于Task-specific input transformations
GPT2	15亿参数	预训练+Prompt+Predict	创新点在于Zero-shot
GPT3	1750亿参数	预训练+Prompt+Predict	创新点在于in-context learning
GPT4	1750-2800亿参数	使用多模态对话数据进行强化学习指令微调	初步实现多模态的统一

GPT-4o已经初步实现了多模态的统一，可以接受文本、音频、图像和视频的任意组合作为输入，并生成文本、音频和图像的任意组合输出。尽管 GPT-4o 还未能做到完美，但它在形态设计上已经走在正确的道路上。不久的将来，GPT-5的发布不仅仅是技术的进步，更是对我们生活和工作的深远影响的开始。为了迎接技术变革，我们要做好准备，例如，个人技能的提升、注重跨领域的合作、伦理和监管等。

本文是基于MindSpore通过GPT实现情感分类，使用MindSpore和MindNLP库进行GPT1模型在IMDB电影评论数据集上的微调和评估。具体步骤包括数据加载、数据处理、模型构建、训练和评估。

导入依赖模块

%%capture captured_output
!pip uninstall mindspore -y
!pip install -i https://pypi.mirrors.ustc.edu.cn/simple mindspore==2.2.14
!pip install mindnlp
!pip install jieba
%env HF_ENDPOINT=https://hf-mirror.com

导入包

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

加载数据

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

数据处理

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

GPTtoken

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)

数据集划分

imdb_train, imdb_val = imdb_train.split([0.7, 0.3])
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)

模型构建

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)

训练预测

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

结果

学习心得：AI技术的进步不仅仅体现在模型参数的增加和性能的提升，更重要的是其在各个领域中实际应用的广泛性和深度。随着GPT-5的即将发布，我们可以预见其在自然语言处理能力上的进一步提升。GPT-5不仅有望在生成文本的连贯性和准确性上达到新的高度，还可能在理解复杂指令和多任务处理上表现出色。这将使得AI在更多复杂的应用场景中发挥作用，如法律文书撰写、复杂数据分析报告生成等。