大模型微调实战演练：使用代码剖析 Transformers Pipelines工作原理

本文链接：https://blog.csdn.net/star_nwe/article/details/141222724

在自然语言处理（NLP）领域，Transformers 模型已经成为了主流技术之一。无论是文本分类、情感分析，还是机器翻译，Transformers 都展现了强大的性能。今天，我们来详细解析一下 Transformers Pipelines 的运行原理，帮助大家更好地理解其内部机制。

一、基本流程

Transformers Pipeline 的运行流程主要分为四个阶段：Tokenization、Model Inference、Post-Processing 和 Prediction。下面我们详细讲解每一个阶段的具体作用，并通过代码示例进行演示。

1. Tokenization（分词）

原始文本（Raw Text）首先会经过Tokenizer进行处理。Tokenizer的任务是将输入的自然语言文本转换为模型能够理解的输入格式。这一过程包括：

分词： 将句子拆分成一个个单词或子词。
映射到ID：将这些单词或子词映射到预定义的词汇表中的唯一标识符（Token IDs）。

代码示例：

from transformers import BertTokenizer

# 初始化BERT的Tokenizer
tokenizer = BertTokenizer.from_pretrained('bert-base-uncased')

# 输入句子
sentence = "This course is amazing!"

# 使用Tokenizer进行分词和映射到Token IDs
input_ids = tokenizer.encode(sentence, add_special_tokens=True)

print(f"Token IDs: {input_ids}")

在这个示例中，我们使用BERT的Tokenizer对句子进行处理，得到的Token IDs如下：

Token IDs: [101, 2023, 2607, 2003, 6429, 999, 102]

2. Model Inference（模型推理）

接下来，Token IDs 会被输入到预训练的Transformers模型中。这一阶段的主要任务是通过模型的多层神经网络结构，计算出每个Token的特征表示。模型的输出通常是Logits，即每个类别的未归一化的概率值。

代码示例：

import torch
from transformers import BertModel

# 初始化BERT模型
model = BertModel.from_pretrained('bert-base-uncased')

# 将Token IDs转化为Tensor
input_ids = torch.tensor([input_ids])

# 模型推理，得到输出
with torch.no_grad():
    outputs = model(input_ids)

# 获取最后一层的隐状态
last_hidden_states = outputs.last_hidden_state

print(f"Last Hidden States: {last_hidden_states}")

在这个示例中，我们将Token IDs输入到BERT模型中，得到最后一层的隐状态（即Logits）。

3. Post-Processing（后处理）

在得到Logits之后，需要对其进行后处理。在大多数情况下，后处理过程包括将Logits转化为实际的概率值（通过Softmax函数），并根据具体任务进行进一步的处理。

代码示例：

from torch.nn.functional import softmax

# 假设模型的输出是logits
logits = torch.tensor([-4.3630, 4.6859])

# 对logits进行Softmax处理
probabilities = softmax(logits, dim=-1)

print(f"Probabilities: {probabilities}")

在这个示例中，我们对Logits进行Softmax处理，得到每个类别的概率值。

4. Prediction（生成结果）

最后一步是生成最终的预测结果。根据后处理得到的概率值，选择概率最高的类别作为最终的预测结果。例如，对于情感分析任务，可能会输出正面和负面情感的概率值：

POSITIVE: 99.89%
NEGATIVE: 0.11%

代码示例：

from torch.nn.functional import softmax

# 假设模型的输出是logits
logits = torch.tensor([-4.3630, 4.6859])

# 对logits进行Softmax处理
probabilities = softmax(logits, dim=-1)

print(f"Probabilities: {probabilities}")

在这个示例中，我们根据概率值选择了概率最高的类别作为最终的预测结果。

二、具体示例

让我们通过一个具体的例子来更好地理解这个过程：

输入句子：“This course is amazing!”
经过Tokenizer处理，得到Token IDs [101, 2023, 2607, 2003, 6429, 999, 102]。
将Token IDs输入模型，得到Logits [-4.3630, 4.6859]。
通过后处理，将Logits转化为概率值。
最终预测结果：POSITIVE 99.89%，NEGATIVE 0.11%。

完整代码示例：

from transformers import BertTokenizer, BertForSequenceClassification
import torch
from torch.nn.functional import softmax

# 初始化BERT的Tokenizer和模型
tokenizer = BertTokenizer.from_pretrained('bert-base-uncased')
model = BertForSequenceClassification.from_pretrained('bert-base-uncased', num_labels=2)

# 输入句子
sentence = "This course is amazing!"

# 分词和映射到Token IDs
input_ids = tokenizer.encode(sentence, add_special_tokens=True)
input_ids = torch.tensor([input_ids])

# 模型推理，得到logits
with torch.no_grad():
    outputs = model(input_ids)
logits = outputs.logits

# 对logits进行Softmax处理
probabilities = softmax(logits, dim=-1)

# 定义类别
labels = ["NEGATIVE", "POSITIVE"]

# 获取概率最高的类别
predicted_label = labels[torch.argmax(probabilities)]

print(f"Prediction: {predicted_label}")