昇思25天学习打卡营第12天|基于MindSpore通过GPT实现情感分类

今天是参加昇思25天学习打卡营的第12天，今天打卡的课程是“基于MindSpore通过GPT实现情感分类”，这里做一个简单的分享。

1.简介

今天是LLM原理和实践的第三课，今天学习的目标学习通过GPT实现情感分类的代码。

本次所使用的数据集来自互联网电影资料库（Internet Movie Database，简称IMDb）的电影评论数据，目标是识别电影评论的情感类型：积极的或则消极的，用于训练的数据集标注了评论对应的情感类型。

本次所使用的模型为GPTForSequenceClassification ，是GPT-1中的一个文本分分类模型。

2.实现流程

模型训练的过程主要包括：

• 数据处理
• 模型定义
• 模型训练
• 模型推理

整个训练过程代码如下：

import os
import numpy as np
import mindspore
from mindspore.dataset import text, GeneratorDataset, transforms
from mindspore import nn
from mindnlp.transformers import GPTTokenizer
from mindnlp.dataset import load_dataset
from mindnlp.transformers import GPTForSequenceClassification
from mindspore.experimental.optim import Adam

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']

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
    

# 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)

# split train dataset into train and valid datasets
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)

# 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")

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

3.小结

今天学习了在Mindspore环境下，基于GPT-1中的GPTForSequenceClassification模型实现情感分析的代码实现方法，并实用imba的数据对代码进行验证和实践，总体感受来说机器学习在代码层面需要学习的内容其实很少，真正能学以致用的话，一是要深入理解所要解决的问题，二是要分析学习数据集的特征，三是学习模型背后的原理和调整的理论方法，四是要分析训练的数据成果寻找改进的方法。模型训练更像是一个数据工程，而不是一个软件工程问题，从数据出发分析和学习模型更有实际意义。

以上是第12天的学习内容，附上今日打卡记录：