এই নোটবুকটি জিপিটি 2 মডেলটিকে টেক্সট শ্রেণিবিন্যাসের সাহায্যে সূক্ষ্ম-সুরে ব্যবহার করা হয়েছে আলিঙ্গন মুখট্রান্সফরমার একটি কাস্টম ডেটাসেটে লাইব্রেরি।
শ্রেণিবদ্ধকরণের কাজে জিপিটি 2 ব্যবহার করার জন্য প্রয়োজনীয় সমস্ত কার্যকারিতা অন্তর্ভুক্ত করতে আমাদের আলিঙ্গন করা মুখটি খুব সুন্দর। ধন্যবাদ আলিঙ্গন মুখ!
শ্রেণিবিন্যাসের জন্য জিপিটি 2 কীভাবে ব্যবহার করতে হয় সে সম্পর্কে আমি খুব বেশি তথ্য খুঁজে পাইনি তাই আমি অন্যান্য ট্রান্সফর্মার মডেলগুলির সাথে অনুরূপ কাঠামো ব্যবহার করে এই টিউটোরিয়ালটি তৈরি করার সিদ্ধান্ত নিয়েছি।
মূল ধারণা: যেহেতু জিপিটি 2 একটি ডিকোডার ট্রান্সফর্মার, ইনপুট অনুক্রমের শেষ টোকেনটি পরবর্তী টোকেনটি সম্পর্কে ভবিষ্যদ্বাণী করতে ব্যবহৃত হয় যা ইনপুট অনুসরণ করবে। এর অর্থ ইনপুট সিকোয়েন্সের শেষ টোকেনটিতে পূর্বাভাসে প্রয়োজনীয় সমস্ত তথ্য রয়েছে। এটি মাথায় রেখে আমরা তথ্যটি প্রজন্মের টাস্কের পরিবর্তে শ্রেণিবিন্যাস কার্যে ভবিষ্যদ্বাণী করতে ব্যবহার করতে পারি।
অন্য কথায়, বার্টের মতো আমরা ভবিষ্যদ্বাণী করতে প্রথম টোকেন এম্বেডিং ব্যবহার না করে, জিপিটি 2 দিয়ে ভবিষ্যদ্বাণী করতে আমরা শেষ টোকেন এম্বেডিং ব্যবহার করব।
যেহেতু আমরা কেবল বার্টে প্রথম টোকেনের যত্ন নিয়েছিলাম তাই আমরা ডানদিকে প্যাডিং করছি। এখন জিপিটি 2 এ আমরা পূর্বাভাসের জন্য শেষ টোকেনটি ব্যবহার করছি যাতে আমাদের বাম দিকে প্যাড করতে হবে। হুগিংফ্রিজ ট্রান্সফর্মারগুলিতে একটি দুর্দান্ত আপগ্রেড হওয়ার কারণে আমরা জিপিটি 2 টোকেনাইজারকে এটি করতে কনফিগার করতে সক্ষম হয়েছি।
এই নোটবুকের জন্য আমার কী জানা উচিত?
যেহেতু আমি পাইটর্চটি ব্যবহার করছি আমাদের ট্রান্সফর্মার মডেলগুলিকে সূক্ষ্ম সুরতে পাইটর্চের কোনও জ্ঞান খুব দরকারী।
সম্পর্কে একটু জানা ট্রান্সফরমার গ্রন্থাগারও সাহায্য করে।
এই নোটবুকটি কীভাবে ব্যবহার করবেন?
প্রতিটি প্রকল্পের মতো, আমি পুনরায় ব্যবহারযোগ্যতার কথা মাথায় রেখে এই নোটবুকটি তৈরি করেছি।
সমস্ত পরিবর্তনগুলি ডেটা প্রক্রিয়াকরণ অংশে ঘটবে যেখানে আপনার নিজের ডেটা প্রয়োজনীয়তার সাথে ফিট করার জন্য আপনাকে পাইটর্চ ডেটাসেট, ডেটা কোলাটার এবং ডেটা লোডারকে কাস্টমাইজ করতে হবে।
যে সমস্ত প্যারামিটারগুলি পরিবর্তন করা যায় সেগুলি এর অধীনে আমদানি অধ্যায়. প্রতিটি প্যারামিটার যথাসম্ভব স্বজ্ঞাত হওয়ার জন্য সুন্দরভাবে মন্তব্য করা এবং গঠনযুক্ত ured
ডেটা সেটটি
এই নোটবুকটি একটি কাস্টম ডেটাসেটে ট্রান্সফর্মারগুলি প্রিটারেইন করবে cover আমি সুপরিচিত সিনেমাগুলির পর্যালোচনাগুলি ইতিবাচক - নেতিবাচক লেবেলযুক্ত ব্যবহার করব বড় মুভি রিভিউ ডেটাসেট.
স্ট্যানফোর্ড ওয়েবসাইটে দেওয়া বিবরণ:
এটি পূর্ববর্তী মাপদণ্ডের ডেটাসেটের তুলনায় যথেষ্ট পরিমাণে ডেটা বাইনারি সংবেদন শ্রেণীবদ্ধের জন্য একটি ডেটাসেট। আমরা প্রশিক্ষণের জন্য 25,000 উচ্চ মেরু চলচ্চিত্র পর্যালোচনাগুলির একটি সেট সরবরাহ করি এবং 25,000 পরীক্ষার জন্য। পাশাপাশি ব্যবহারের জন্য অতিরিক্ত লেবেলযুক্ত ডেটা রয়েছে। শব্দের বিন্যাসগুলির কাঁচা পাঠ্য এবং ইতিমধ্যে প্রক্রিয়াজাত ব্যাগ সরবরাহ করা হয়েছে। আরও তথ্যের জন্য রিলিজটিতে থাকা README ফাইলটি দেখুন।
কেন এই ডেটাসেট? আমি বিশ্বাস করি শ্রেণিবদ্ধকরণের জন্য ডেটাসেট বোঝা এবং ব্যবহার করা সহজ। আমি মনে করি সংবেদনশীল ডেটা সাথে কাজ করতে সবসময় মজাদার।
কোডিং
এবার কিছু কোডিং করা যাক! আমরা নোটবুকের প্রতিটি কোডিং সেলের মধ্য দিয়ে যাব এবং এটি কী করবে, কোডটি কী এবং কখন প্রাসঙ্গিক তা বর্ণনা করব - আউটপুটটি দেখান।
আপনি যদি নিজের পাইথন নোটবুকে প্রতিটি কোড সেল চালানোর সিদ্ধান্ত নেন তবে আমি এই ফর্ম্যাটটি অনুসরণ করা সহজ করে তুলেছি।
আমি যখন কোনও টিউটোরিয়াল থেকে শিখি আমি সর্বদা ফলাফলগুলি প্রতিলিপি করার চেষ্টা করি। আমি বিশ্বাস করি আপনার ব্যাখ্যাগুলির পাশের কোডটি যদি থাকে তবে এটি অনুসরণ করা সহজ।
ডাউনলোড
ডাউনলোড বড় মুভি রিভিউ ডেটাসেট এবং এটি স্থানীয়ভাবে আনজিপ করুন।
Download the dataset.
!wget -q -nc http://ai.stanford.edu/~amaas/data/sentiment/aclImdb_v1.tar.gz
Unzip the dataset.
!tar -zxf /content/aclImdb_v1.tar.gz
ইনস্টল
ট্রান্সফরমার আলিঙ্গন ফেস থেকে দুর্দান্ত সমস্ত কোড ব্যবহার করার জন্য লাইব্রেরি ইনস্টল করা দরকার। সর্বশেষতম সংস্করণটি পেতে আমি এটি সরাসরি গিটহাব থেকে ইনস্টল করব।
ml_things বিভিন্ন মেশিন লার্নিং সম্পর্কিত কাজের জন্য ব্যবহৃত গ্রন্থাগার। প্রতিটি মেশিন লার্নিং প্রকল্পের জন্য আমার কোড লেখার প্রয়োজনীয় পরিমাণ হ্রাস করতে আমি এই লাইব্রেরিটি তৈরি করেছি created
Installing build dependencies ... done Getting requirements to build wheel ... done Preparing wheel metadata ... done |████████████████████████████████| 2.9MB 6.7MB/s |████████████████████████████████| 890kB 48.9MB/s |████████████████████████████████| 1.1MB 49.0MB/s Building wheelfor transformers (PEP 517) ... done Building wheel for sacremoses (setup.py) ... done |████████████████████████████████| 71kB 5.2MB/s Building wheel for ml-things (setup.py) ... done Building wheel for ftfy (setup.py) ... done
আমদানি
এই নোটবুকের জন্য প্রয়োজনীয় সমস্ত গ্রন্থাগার আমদানি করুন this এই নোটবুকের জন্য ব্যবহৃত প্যারামিটারগুলি ঘোষণা করুন:
set_seed(123) - পুনরুত্পাদনযোগ্যতার জন্য একটি নির্দিষ্ট বীজ সেট করা ভাল।
epochs - প্রশিক্ষণের যুগের সংখ্যা (লেখকরা 2 থেকে 4 এর মধ্যে প্রস্তাব দেন)।
batch_size - ব্যাচের সংখ্যা - সর্বোচ্চ সিকোয়েন্স দৈর্ঘ্য এবং জিপিইউ মেমরির উপর নির্ভর করে। 512 সিকোয়েন্স দৈর্ঘ্যের জন্য 10 ইউএসএইচএলএর একটি ব্যাচ চুদা মেমরির সমস্যা ছাড়াই কাজ করে। ছোট ক্রম দৈর্ঘ্যের জন্য 32 বা তার বেশি ব্যাচ চেষ্টা করতে পারেন। সর্বাধিক দৈর্ঘ্য - প্যাড বা নির্দিষ্ট দৈর্ঘ্যের পাঠ্য ক্রম কেটে দিন। প্রশিক্ষণের গতি বাড়ানোর জন্য আমি এটি 60 এ সেট করব।
device - জিপিইউ ব্যবহার করার জন্য দেখুন। কোনও জিপিইউ না পাওয়া গেলে ডিফল্টরূপে সিপিইউ ব্যবহার করবে।
model_name_or_path - ট্রান্সফরমার মডেলের নাম - ইতিমধ্যে প্রাক-প্রশিক্ষিত মডেল ব্যবহার করবে। ট্রান্সফরমার মডেলের পথ - স্থানীয় ডিস্ক থেকে আপনার নিজস্ব মডেলটি লোড করবে। এই টিউটোরিয়ালে আমি ব্যবহার করব gpt2 মডেল.
labels_ids - লেবেলগুলির অভিধান এবং তাদের আইডি - এটি স্ট্রিং লেবেলগুলিকে সংখ্যায় রূপান্তর করতে ব্যবহৃত হবে।
n_labels - আমরা এই ডেটাসেটে কতগুলি লেবেল ব্যবহার করছি। এটি শ্রেণিবিন্যাসের মাথার আকার নির্ধারণ করতে ব্যবহৃত হয়।
import io
import os
import torch
from tqdm.notebook import tqdm
from torch.utils.data import Dataset, DataLoader
from ml_things import plot_dict, plot_confusion_matrix, fix_text
from sklearn.metrics import classification_report, accuracy_score
from transformers import (set_seed, TrainingArguments, Trainer, GPT2Config, GPT2Tokenizer, AdamW, get_linear_schedule_with_warmup, GPT2ForSequenceClassification) # Set seed for reproducibility.
set_seed(123) # Number of training epochs (authors on fine-tuning Bert recommend between 2 and 4).
epochs = 4 # Number of batches - depending on the max sequence length and GPU memory.
# For 512 sequence length batch of 10 works without cuda memory issues.
# For small sequence length can try batch of 32 or higher.
batch_size = 32 # Pad or truncate text sequences to a specific length
# if `None` it will use maximum sequence of word piece tokens allowed by model.
max_length = 60 # Look for gpu to use. Will use `cpu` by default if no gpu found.
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu') # Name of transformers model - will use already pretrained model.
# Path of transformer model - will load your own model from local disk.
model_name_or_path = 'gpt2' # Dictionary of labels and their id - this will be used to convert.
# String labels to number ids.
labels_ids = {'neg': 0, 'pos': 1} # How many labels are we using in training.
# This is used to decide size of classification head.
n_labels = len(labels_ids)
সহায়ক কার্যাদি
আমি নোটবুকের পরিষ্কার চেহারা বজায় রাখতে এই বিভাগের অধীনে এই নোটবুকে ব্যবহৃত হবে এমন সমস্ত শ্রেণি এবং ফাংশন রাখতে চাই:
মুভিরভিউস ডেটাসেট (ডেটাসেট)
আপনি যদি পাইটর্চের সাথে আগে কাজ করে থাকেন তবে এটি বেশ মান। আমাদের এই ডেটাসেটে পড়ার জন্য, এটি বিশ্লেষণ করতে এবং তাদের সম্পর্কিত লেবেলগুলি সহ পাঠ্য ফেরৎ দেওয়ার জন্য এই শ্রেণিটি দরকার।
এই শ্রেণিতে আমার কেবল প্রতিটি ফাইলের বিষয়বস্তু পড়তে হবে, যেকোন ইউনিকোড সমস্যা সমাধানের জন্য ফিক্স টেক্সট ব্যবহার করতে হবে এবং ইতিবাচক এবং নেতিবাচক অনুভূতি ট্র্যাক রাখতে হবে।
আমি তালিকায় সমস্ত পাঠ্য এবং লেবেল যুক্ত করব।
এই পাইটর্চ ডাটাসেট শ্রেণীর তিনটি প্রধান অংশ রয়েছে:
এটা() যেখানে আমরা ডেটাসেটে পড়ি এবং পাঠ্য এবং লেবেলগুলিকে সংখ্যায় রূপান্তর করি।
লেন () যেখানে আমাদের পড়ে থাকা উদাহরণগুলির সংখ্যা ফিরিয়ে দিতে হবে le লেন (মুভিউভিউস ডেটাসেট ()) কল করার সময় এটি ব্যবহৃত হয়।
গেটাইটেম () সর্বদা একটি ইনপুট হিসাবে একটি ইনট মান হিসাবে গ্রহণ করে যা আমাদের উদাহরণস্বরূপ আমাদের ডেটাসেট থেকে প্রত্যাবর্তনের জন্য কোন উদাহরণ উপস্থাপন করে। যদি 3 এর মান পাস করা হয়, তবে আমরা উদাহরণটিতে আমাদের ডেটাসেটটি 3 অবস্থানে ফর্ম করব।
class MovieReviewsDataset(Dataset): r"""PyTorch Dataset class for loading data. This is where the data parsing happens. This class is built with reusability in mind: it can be used as is as. Arguments: path (:obj:`str`): Path to the data partition. """ def __init__(self, path, use_tokenizer): # Check if path exists. if not os.path.isdir(path): # Raise error if path is invalid. raise ValueError('Invalid `path` variable! Needs to be a directory') self.texts = [] self.labels = [] # Since the labels are defined by folders with data we loop # through each label. for label in ['pos', 'neg']: sentiment_path = os.path.join(path, label) # Get all files from path. files_names = os.listdir(sentiment_path)#[:10] # Sample for debugging. # Go through each file and read its content. for file_name in tqdm(files_names, desc=f'{label} files'): file_path = os.path.join(sentiment_path, file_name) # Read content. content = io.open(file_path, mode='r', encoding='utf-8').read() # Fix any unicode issues. content = fix_text(content) # Save content. self.texts.append(content) # Save encode labels. self.labels.append(label) # Number of exmaples. self.n_examples = len(self.labels) return def __len__(self): r"""When used `len` return the number of examples. """ return self.n_examples def __getitem__(self, item): r"""Given an index return an example from the position. Arguments: item (:obj:`int`): Index position to pick an example to return. Returns: :obj:`Dict[str, str]`: Dictionary of inputs that contain text and asociated labels. """ return {'text':self.texts[item], 'label':self.labels[item]}
জিপিটি 2 ক্লাসিফিকেশন কোল্লেটার
আমি ডেটা কোলাটার তৈরি করতে এই ক্লাসটি ব্যবহার করি। মডেলটিকে খাওয়ানো হয় এমন ডেটা বাথ তৈরি করতে এটি ডেটালডারে ব্যবহৃত হবে। পাঠ্য এবং লেবেলগুলিকে সংখ্যায় রূপান্তর করতে আমি প্রতিটি ক্রমটিতে টোকেনাইজার এবং লেবেল এনকোডার ব্যবহার করি।
আমাদের জন্য ভাগ্যবান, আলিঙ্গন ফেস সমস্ত কিছু ভেবেছিল এবং টোকেনাইজারকে ভারী উত্তোলন (টোকেন, প্যাডিং, কাটা কাটা, এনকোড পাঠ্য সংখ্যায় বিভক্ত) করে এবং এটি ব্যবহার করা খুব সহজ!
এই ডেটা কোল্টার শ্রেণীর দুটি প্রধান অংশ রয়েছে:
এটা() আমরা যেখানে টোকনাইজারটি ব্যবহারের পরিকল্পনা করছি, কীভাবে আমাদের লেবেলগুলি এনকোড করতে হবে এবং যদি আমাদের ক্রমের দৈর্ঘ্যকে অন্য কোনও মানতে সেট করতে হয় তবে এটি ব্যবহার করার পরিকল্পনা করি।
কল () ফাংশন কোলাটার হিসাবে ব্যবহৃত যা ডেটা উদাহরণগুলির একটি ব্যাচকে ইনপুট হিসাবে গ্রহণ করে। আমাদের মডেলটিকে খাওয়ানো যেতে পারে এমন ফর্ম্যাট সহ এটি কোনও বস্তুর ফেরত দেওয়া দরকার। ভাগ্যক্রমে আমাদের টোকনাইজার আমাদের জন্য এটি করে এবং এই পদ্ধতিতে মডেলকে খাওয়ানোর জন্য প্রস্তুত ভেরিয়েবলের একটি অভিধান ফেরত দেয়: model(**inputs)। যেহেতু আমরা মডেলটিকে সূক্ষ্ম-টিউন করছি আমি লেবেলগুলিও অন্তর্ভুক্ত করেছি।
class Gpt2ClassificationCollator(object): r""" Data Collator used for GPT2 in a classificaiton rask. It uses a given tokenizer and label encoder to convert any text and labels to numbers that can go straight into a GPT2 model. This class is built with reusability in mind: it can be used as is as long as the `dataloader` outputs a batch in dictionary format that can be passed straight into the model - `model(**batch)`. Arguments: use_tokenizer (:obj:`transformers.tokenization_?`): Transformer type tokenizer used to process raw text into numbers. labels_ids (:obj:`dict`): Dictionary to encode any labels names into numbers. Keys map to labels names and Values map to number associated to those labels. max_sequence_len (:obj:`int`, `optional`) Value to indicate the maximum desired sequence to truncate or pad text sequences. If no value is passed it will used maximum sequence size supported by the tokenizer and model. """ def __init__(self, use_tokenizer, labels_encoder, max_sequence_len=None): # Tokenizer to be used inside the class. self.use_tokenizer = use_tokenizer # Check max sequence length. self.max_sequence_len = use_tokenizer.model_max_length if max_sequence_len is None else max_sequence_len # Label encoder used inside the class. self.labels_encoder = labels_encoder return def __call__(self, sequences): r""" This function allowes the class objesct to be used as a function call. Sine the PyTorch DataLoader needs a collator function, I can use this class as a function. Arguments: item (:obj:`list`): List of texts and labels. Returns: :obj:`Dict[str, object]`: Dictionary of inputs that feed into the model. It holddes the statement `model(**Returned Dictionary)`. """ # Get all texts from sequences list. texts = [sequence['text'] for sequence in sequences] # Get all labels from sequences list. labels = [sequence['label'] for sequence in sequences] # Encode all labels using label encoder. labels = [self.labels_encoder[label] for label in labels] # Call tokenizer on all texts to convert into tensors of numbers with # appropriate padding. inputs = self.use_tokenizer(text=texts, return_tensors="pt", padding=True, truncation=True, max_length=self.max_sequence_len) # Update the inputs with the associated encoded labels as tensor. inputs.update({'labels':torch.tensor(labels)}) return inputs
আমি এই ফাংশনটি ডেটা লোডার অবজেক্টের মাধ্যমে সম্পূর্ণ পাসটি সম্পাদন করার জন্য তৈরি করেছি (** মুভিরভিউস ডেটাসেট ক্লাস ব্যবহার করে আমাদের ডেটাসেট * টাইপ অবজেক্ট থেকে ডেটালোডার অবজেক্টটি তৈরি করা হয়েছে)। এটি সম্পূর্ণ ডেটাসেটের মাধ্যমে মূলত একটি যুগের ট্রেন।
ডেটালোয়াডারটি পাইটর্চ ডেটালডার থেকে তৈরি করা হয়েছে যা মুভিরভিউস ডেটাसेट ক্লাস থেকে তৈরি বস্তুটি নিয়ে যায় এবং প্রতিটি উদাহরণকে ব্যাচগুলিতে রাখে। এইভাবে আমরা আমাদের মডেল ব্যাচের ডেটা খাওয়াতে পারি!
অপ্টিমাইজার_ এবং শিডিয়ুলার_ পাইটর্চে খুব সাধারণ। প্রশিক্ষণের সময় তাদের আমাদের মডেলগুলির পরামিতিগুলি আপডেট করা এবং আমাদের শিক্ষার হার আপডেট করা প্রয়োজন update এর থেকেও অনেক বেশি আছে তবে আমি বিশদে যাব না। এটি আসলে একটি বিশাল খরগোশের গর্ত হতে পারে যেহেতু এই ফাংশনগুলির পিছনে প্রচুর ঘটে যায় যা আমাদের চিন্তার দরকার নেই। ধন্যবাদ পাইটর্চ!
প্রক্রিয়াটিতে আমরা ক্ষতির পাশাপাশি প্রকৃত লেবেল এবং পূর্বাভাসযুক্ত লেবেলগুলির খোঁজ রাখি।
def train(dataloader, optimizer_, scheduler_, device_): r""" Train pytorch model on a single pass through the data loader. It will use the global variable `model` which is the transformer model loaded on `_device` that we want to train on. This function is built with reusability in mind: it can be used as is as long as the `dataloader` outputs a batch in dictionary format that can be passed straight into the model - `model(**batch)`. Arguments: dataloader (:obj:`torch.utils.data.dataloader.DataLoader`): Parsed data into batches of tensors. optimizer_ (:obj:`transformers.optimization.AdamW`): Optimizer used for training. scheduler_ (:obj:`torch.optim.lr_scheduler.LambdaLR`): PyTorch scheduler. device_ (:obj:`torch.device`): Device used to load tensors before feeding to model. Returns: :obj:`List[List[int], List[int], float]`: List of [True Labels, Predicted Labels, Train Average Loss]. """ # Use global variable for model. global model # Tracking variables. predictions_labels = [] true_labels = [] # Total loss for this epoch. total_loss = 0 # Put the model into training mode. model.train() # For each batch of training data... for batch in tqdm(dataloader, total=len(dataloader)): # Add original labels - use later for evaluation. true_labels += batch['labels'].numpy().flatten().tolist() # move batch to device batch = {k:v.type(torch.long).to(device_) for k,v in batch.items()} # Always clear any previously calculated gradients before performing a # backward pass. model.zero_grad() # Perform a forward pass (evaluate the model on this training batch). # This will return the loss (rather than the model output) because we # have provided the `labels`. # The documentation for this a bert model function is here: # https://huggingface.co/transformers/v2.2.0/model_doc/bert.html#transformers.BertForSequenceClassification outputs = model(**batch) # The call to `model` always returns a tuple, so we need to pull the # loss value out of the tuple along with the logits. We will use logits # later to calculate training accuracy. loss, logits = outputs[:2] # Accumulate the training loss over all of the batches so that we can # calculate the average loss at the end. `loss` is a Tensor containing a # single value; the `.item()` function just returns the Python value # from the tensor. total_loss += loss.item() # Perform a backward pass to calculate the gradients. loss.backward() # Clip the norm of the gradients to 1.0. # This is to help prevent the "exploding gradients" problem. torch.nn.utils.clip_grad_norm_(model.parameters(), 1.0) # Update parameters and take a step using the computed gradient. # The optimizer dictates the "update rule"--how the parameters are # modified based on their gradients, the learning rate, etc. optimizer.step() # Update the learning rate. scheduler.step() # Move logits and labels to CPU logits = logits.detach().cpu().numpy() # Convert these logits to list of predicted labels values. predictions_labels += logits.argmax(axis=-1).flatten().tolist() # Calculate the average loss over the training data. avg_epoch_loss = total_loss / len(dataloader) # Return all true labels and prediction for future evaluations. return true_labels, predictions_labels, avg_epoch_loss
বৈধতা (ডেটালোএডার, ডিভাইস_)
আমি এই ফাংশনটি ট্রেনের মতো খুব একইভাবে প্রয়োগ করেছি তবে পরামিতিগুলি আপডেট, পশ্চাদপটে পাস এবং গ্রেডিয়েন্ট শালীন অংশ ছাড়াই। আমাদের সেই সমস্ত খুব কম কম্পিউটেশনাল নিবিড় কাজ করার দরকার নেই কারণ আমরা কেবলমাত্র আমাদের মডেলের ভবিষ্যদ্বাণীগুলি যত্নশীল।
আমি আমাদের মডেলকে খাওয়ানোর জন্য ব্যাচগুলি বের করার জন্য ট্রেনে যেমন ডেটা লোডার ব্যবহার করি।
প্রক্রিয়াটিতে আমি ক্ষতির সাথে প্রকৃত লেবেল এবং পূর্বাভাসীকৃত লেবেলগুলির খোঁজ রাখি।
def validation(dataloader, device_): r"""Validation function to evaluate model performance on a separate set of data. This function will return the true and predicted labels so we can use later to evaluate the model's performance. This function is built with reusability in mind: it can be used as is as long as the `dataloader` outputs a batch in dictionary format that can be passed straight into the model - `model(**batch)`. Arguments: dataloader (:obj:`torch.utils.data.dataloader.DataLoader`): Parsed data into batches of tensors. device_ (:obj:`torch.device`): Device used to load tensors before feeding to model. Returns: :obj:`List[List[int], List[int], float]`: List of [True Labels, Predicted Labels, Train Average Loss] """ # Use global variable for model. global model # Tracking variables predictions_labels = [] true_labels = [] #total loss for this epoch. total_loss = 0 # Put the model in evaluation mode--the dropout layers behave differently # during evaluation. model.eval() # Evaluate data for one epoch for batch in tqdm(dataloader, total=len(dataloader)): # add original labels true_labels += batch['labels'].numpy().flatten().tolist() # move batch to device batch = {k:v.type(torch.long).to(device_) for k,v in batch.items()} # Telling the model not to compute or store gradients, saving memory and # speeding up validation with torch.no_grad(): # Forward pass, calculate logit predictions. # This will return the logits rather than the loss because we have # not provided labels. # token_type_ids is the same as the "segment ids", which # differentiates sentence 1 and 2 in 2-sentence tasks. # The documentation for this `model` function is here: # https://huggingface.co/transformers/v2.2.0/model_doc/bert.html#transformers.BertForSequenceClassification outputs = model(**batch) # The call to `model` always returns a tuple, so we need to pull the # loss value out of the tuple along with the logits. We will use logits # later to to calculate training accuracy. loss, logits = outputs[:2] # Move logits and labels to CPU logits = logits.detach().cpu().numpy() # Accumulate the training loss over all of the batches so that we can # calculate the average loss at the end. `loss` is a Tensor containing a # single value; the `.item()` function just returns the Python value # from the tensor. total_loss += loss.item() # get predicitons to list predict_content = logits.argmax(axis=-1).flatten().tolist() # update list predictions_labels += predict_content # Calculate the average loss over the training data. avg_epoch_loss = total_loss / len(dataloader) # Return all true labels and prediciton for future evaluations. return true_labels, predictions_labels, avg_epoch_loss
লোড মডেল এবং টোকেনাইজার
প্রিটেইনড জিপিটি 2 ট্রান্সফর্মারের তিনটি প্রয়োজনীয় অংশ লোড হচ্ছে: কনফিগারেশন, টোকেনাইজার এবং মডেল।
এই উদাহরণের জন্য আমি ব্যবহার করব gpt2 হিগিংফ্রেস প্রিটেইনড ট্রান্সফর্মার থেকে। আপনি চান জিপি 2 এর যে কোনও প্রকারের ব্যবহার করতে পারেন।
তৈরি করতে model_config আমি আমার শ্রেণিবদ্ধকরণ কার্যের জন্য আমার প্রয়োজনীয় সংখ্যার লেবেল উল্লেখ করব। যেহেতু আমি কেবল দুটি অনুভূতির পূর্বাভাস দিয়েছি: ইতিবাচক এবং নেতিবাচক আমার কেবল দুটি লেবেলের প্রয়োজন হবে num_labels.
তৈরি করা হচ্ছে tokenizer ট্রান্সফরমার লাইব্রেরি ব্যবহার করার সময় এটি বেশ মানসম্পন্ন। টোকনাইজার তৈরি করার পরে এই টিউটোরিয়ালটির জন্য বামে প্যাডিং সেট করা সমালোচনা করে tokenizer.padding_side = "left" এবং প্যাডিং টোকেন শুরু করুন tokenizer.eos_token যা জিপিটি 2 এর সিকোয়েন্স টোকেনের মূল প্রান্ত। এটি এই টিউটোরিয়ালটির সবচেয়ে প্রয়োজনীয় অংশ, যেহেতু জিপিটি 2 ভবিষ্যদ্বাণীটির জন্য শেষ টোকেন ব্যবহার করে তাই আমাদের বামে প্যাড করা দরকার।
হুগিংফ্রিজ ইতিমধ্যে আমাদের জন্য বেশিরভাগ কাজ করেছে এবং জিপিটি 2 মডেলটিতে একটি শ্রেণিবিন্যাস স্তর যুক্ত করেছে। আমি ব্যবহৃত মডেল তৈরি করতে GPT2ForSequenceClassification। যেহেতু আমাদের কাছে কাস্টম প্যাডিং টোকন রয়েছে তাই আমাদের এটির মডেলটি ব্যবহার করে আরম্ভ করতে হবে model.config.pad_token_id। শেষ পর্যন্ত আমাদের আগে সংজ্ঞায়িত ডিভাইসে মডেলটি স্থানান্তর করতে হবে।
# Get model configuration.
print('Loading configuraiton...')
model_config = GPT2Config.from_pretrained(pretrained_model_name_or_path=model_name_or_path, num_labels=n_labels) # Get model's tokenizer.
print('Loading tokenizer...')
tokenizer = GPT2Tokenizer.from_pretrained(pretrained_model_name_or_path=model_name_or_path)
# default to left padding
tokenizer.padding_side = "left"
# Define PAD Token = EOS Token = 50256
tokenizer.pad_token = tokenizer.eos_token # Get the actual model.
print('Loading model...')
model = GPT2ForSequenceClassification.from_pretrained(pretrained_model_name_or_path=model_name_or_path, config=model_config) # resize model embedding to match new tokenizer
model.resize_token_embeddings(len(tokenizer)) # fix model padding token id
model.config.pad_token_id = model.config.eos_token_id # Load model to defined device.
model.to(device)
print('Model loaded to `%s`'%device)
Loading configuraiton... Loading tokenizer... Loading model... Some weights of GPT2ForSequenceClassification were not initialized from the model checkpoint at gpt2 and are newly initialized: ['score.weight'] You should probably TRAIN this model on a down-stream task to be able to use it for predictions and inference. Model loaded to `cuda`
ডেটাসেট এবং কোলাটার
এখানেই আমি ডেটা কোল্টার অবজেক্টগুলির সাথে পাইটর্চ ডেটাসেট এবং ডেটা লোডার তৈরি করি যা আমাদের মডেলটিতে ডেটা ফিড করতে ব্যবহৃত হবে।
এই যেখানে আমি ব্যবহার করি মুভিরভিউস ডেটাসেট পাইটর্চ ডেটাসেট তৈরি করতে ক্লাস যা পাঠ্য এবং লেবেলগুলি ফিরিয়ে দেবে।
যেহেতু আমাদের মডেলগুলিতে সংখ্যার ইনপুট দরকার আমাদের পাঠ্য এবং লেবেলগুলিকে সংখ্যায় রূপান্তর করতে হবে। এটি কোনও কলটারের উদ্দেশ্য! এটি পাইটর্চ ডেটাসেট দ্বারা আউটপুটযুক্ত ডেটা গ্রহণ করে এবং আমাদের মডেলের সিকোয়েন্স আউটপুট করতে ডেটা কোলাটার ফাংশনটির মধ্য দিয়ে যায়।
কোড ক্লিনার এবং আরও ভাল কাঠামোগত করার জন্য আমি টোকনাইজারটিকে পাইটর্চ ডেটাसेट থেকে দূরে রাখছি। আপনি স্পষ্টতই পাইটর্চ ডেটাসেট এবং আউটপুট সিকোয়েন্সগুলির মধ্যে টোকেনাইজার ব্যবহার করতে পারেন যা কোনও ডেটা কোল্টার ব্যবহার না করে সরাসরি মডেলটিতে ব্যবহার করা যেতে পারে।
আমি অতিরিক্ত চাপ এড়ানোর জন্য কত প্রশিক্ষণের প্রয়োজন তা নির্ধারণ করার জন্য একটি বৈধতা পাঠ্য ফাইলটি ব্যবহার করার দৃ strongly়ভাবে পরামর্শ দিচ্ছি। কোন পরামিতিগুলি সর্বোত্তম ফলাফল দেয় তা নির্ধারণ করার পরে, বৈধতা ফাইলটি ট্রেনে অন্তর্ভুক্ত করা যায় এবং পুরো ডেটাসেটের সাথে একটি চূড়ান্ত ট্রেন চালানো যেতে পারে।
জিপিটি 2 এর জন্য প্রয়োজনীয় ইনপুটগুলির সাথে মেলে ধরে পাইটর্চ ডেটাসেট আউটপুটগুলিকে ফর্ম্যাট করতে ডেটা কোল্টার ব্যবহার করা হয়।
# Create data collator to encode text and labels into numbers.
gpt2_classificaiton_collator = Gpt2ClassificationCollator(use_tokenizer=tokenizer, labels_encoder=labels_ids, max_sequence_len=max_length) print('Dealing with Train...')
# Create pytorch dataset.
train_dataset = MovieReviewsDataset(path='/content/aclImdb/train', use_tokenizer=tokenizer)
print('Created `train_dataset` with %d examples!'%len(train_dataset)) # Move pytorch dataset into dataloader.
train_dataloader = DataLoader(train_dataset, batch_size=batch_size, shuffle=True, collate_fn=gpt2_classificaiton_collator)
print('Created `train_dataloader` with %d batches!'%len(train_dataloader)) print() print('Dealing with Validation...')
# Create pytorch dataset.
valid_dataset = MovieReviewsDataset(path='/content/aclImdb/test', use_tokenizer=tokenizer)
print('Created `valid_dataset` with %d examples!'%len(valid_dataset)) # Move pytorch dataset into dataloader.
valid_dataloader = DataLoader(valid_dataset, batch_size=batch_size, shuffle=False, collate_fn=gpt2_classificaiton_collator)
print('Created `eval_dataloader` with %d batches!'%len(valid_dataloader))
Dealing with Train... pos files: 100%|████████████████████████████████|12500/12500 [01:17<00:00, 161.19it/s] neg files: 100%|████████████████████████████████|12500/12500 [01:05<00:00, 190.72it/s] Created `train_dataset` with 25000 examples! Created `train_dataloader` with 782 batches! Reading pos files... pos files: 100%|████████████████████████████████|12500/12500 [00:54<00:00, 230.93it/s] neg files: 100%|████████████████████████████████|12500/12500 [00:42<00:00, 291.07it/s] Created `valid_dataset` with 25000 examples! Created `eval_dataloader` with 782 batches!
রেলগাড়ি
আমি প্রশিক্ষণে পাইটর্চ দ্বারা অপ্টিমাইজার এবং শিডিয়ুলার ব্যবহার তৈরি করেছি। আমি ট্রান্সফরমার মডেল দ্বারা ব্যবহৃত সবচেয়ে সাধারণ পরামিতি ব্যবহার করি।
আমি সংজ্ঞায়িত যুগগুলির সংখ্যাটি লুপ করেছি এবং ডেকে আছি রেলগাড়ি এবং বৈধতা ফাংশন।
আমি প্রতিটি যুগের পরে কেরাস হিসাবে অনুরূপ তথ্য আউটপুট দেওয়ার চেষ্টা করছি: ট্রেন_লাস: - ভাল_লস: - ট্রেন_এইচসি: - বৈধ_একসি.
প্রশিক্ষণের পরে, প্লট ট্রেন এবং বৈধতা হারাতে এবং সঠিক প্রশিক্ষণগুলি কীভাবে প্রশিক্ষণটি চলেছে তা পরীক্ষা করে to
বিঃদ্রঃ:প্রশিক্ষণ প্লটগুলি কিছুটা অদ্ভুত দেখাচ্ছে: বৈধতার যথাযথতা প্রশিক্ষণের নির্ভুলতার চেয়ে বেশি শুরু হয় এবং বৈধতা হ্রাস প্রশিক্ষণের ক্ষতির চেয়ে কম শুরু হয়। সাধারণত এটি বিপরীত হবে। আমি ধরে নিয়েছি যে ডেটা বিভক্তিটি যাচাইকরণ অংশের জন্য সহজ হতে বা প্রশিক্ষণের অংশ বা উভয়ের পক্ষে খুব শক্ত। এই টিউটোরিয়ালটি যেহেতু শ্রেণিবদ্ধের জন্য জিপিটি 2 ব্যবহার করার বিষয়ে, আমি মডেলের ফলাফলগুলি সম্পর্কে খুব বেশি চিন্তা করব না।
# Note: AdamW is a class from the huggingface library (as opposed to pytorch) # I believe the 'W' stands for 'Weight Decay fix"
optimizer = AdamW(model.parameters(), lr = 2e-5, # default is 5e-5, our notebook had 2e-5 eps = 1e-8 # default is 1e-8. ) # Total number of training steps is number of batches * number of epochs.
# `train_dataloader` contains batched data so `len(train_dataloader)` gives # us the number of batches.
total_steps = len(train_dataloader) * epochs # Create the learning rate scheduler.
scheduler = get_linear_schedule_with_warmup(optimizer, num_warmup_steps = 0, # Default value in run_glue.py num_training_steps = total_steps) # Store the average loss after each epoch so we can plot them.
all_loss = {'train_loss':[], 'val_loss':[]}
all_acc = {'train_acc':[], 'val_acc':[]} # Loop through each epoch.
print('Epoch')
for epoch in tqdm(range(epochs)): print() print('Training on batches...') # Perform one full pass over the training set. train_labels, train_predict, train_loss = train(train_dataloader, optimizer, scheduler, device) train_acc = accuracy_score(train_labels, train_predict) # Get prediction form model on validation data. print('Validation on batches...') valid_labels, valid_predict, val_loss = validation(valid_dataloader, device) val_acc = accuracy_score(valid_labels, valid_predict) # Print loss and accuracy values to see how training evolves. print(" train_loss: %.5f - val_loss: %.5f - train_acc: %.5f - valid_acc: %.5f"%(train_loss, val_loss, train_acc, val_acc)) print() # Store the loss value for plotting the learning curve. all_loss['train_loss'].append(train_loss) all_loss['val_loss'].append(val_loss) all_acc['train_acc'].append(train_acc) all_acc['val_acc'].append(val_acc) # Plot loss curves.
plot_dict(all_loss, use_xlabel='Epochs', use_ylabel='Value', use_linestyles=['-', '--']) # Plot accuracy curves.
plot_dict(all_acc, use_xlabel='Epochs', use_ylabel='Value', use_linestyles=['-', '--'])
Epoch 100%|████████████████████████████████|4/4 [15:11<00:00, 227.96s/it] Training on batches... 100%|████████████████████████████████|782/782 [02:42<00:00, 4.82it/s] Validation on batches... 100%|████████████████████████████████|782/782 [02:07<00:00, 6.13it/s] train_loss: 0.54128 - val_loss: 0.38758 - train_acc: 0.75288 - valid_acc: 0.81904 Training on batches... 100%|████████████████████████████████|782/782 [02:36<00:00, 5.00it/s] Validation on batches... 100%|████████████████████████████████|782/782 [01:41<00:00, 7.68it/s] train_loss: 0.36716 - val_loss: 0.37620 - train_acc: 0.83288 -valid_acc: 0.82912 Training on batches... 100%|████████████████████████████████|782/782 [02:36<00:00, 5.00it/s] Validation on batches... 100%|████████████████████████████████|782/782 [01:24<00:00, 9.24it/s] train_loss: 0.31409 - val_loss: 0.39384 - train_acc: 0.86304 - valid_acc: 0.83044 Training on batches... 100%|████████████████████████████████|782/782 [02:36<00:00, 4.99it/s] Validation on batches... 100%|████████████████████████████████|782/782 [01:09<00:00, 11.29it/s] train_loss: 0.27358 - val_loss: 0.39798 - train_acc: 0.88432 - valid_acc: 0.83292
ট্রেন এবং বৈধতা হ্রাস।
ট্রেন এবং বৈধতা যথার্থতা।
মূল্যনির্ধারণ
শ্রেণিবিন্যাসের সাথে ডিল করার সময় নির্ভুলতা পুনর্নির্মাণ এবং এফ 1 স্কোরটি দেখতে দরকারী।
কোনও মডেলকে মূল্যায়ন করার সময় একটি ভাল গেজ হ'ল কনফিউশন ম্যাট্রিক্স।
# Get prediction form model on validation data. This is where you should use
# your test data.
true_labels, predictions_labels, avg_epoch_loss = validation(valid_dataloader, device) # Create the evaluation report.
evaluation_report = classification_report(true_labels, predictions_labels, labels=list(labels_ids.values()), target_names=list(labels_ids.keys()))
# Show the evaluation report.
print(evaluation_report) # Plot confusion matrix.
plot_confusion_matrix(y_true=true_labels, y_pred=predictions_labels, classes=list(labels_ids.keys()), normalize=True, magnify=0.1, );
আপনি যদি এটি এতদূর তৈরি করে থাকেন অভিনন্দন! । এবং ধন্যবাদ! আমার টিউটোরিয়ালে আপনার আগ্রহের জন্য!
আমি এই কোডটি এখনই কিছুক্ষণ ব্যবহার করছি এবং আমার মনে হচ্ছে এটি এমন একটি পয়েন্টে পৌঁছেছে যেখানে সুন্দরভাবে নথিভুক্ত এবং অনুসরণ করা সহজ।
অবশ্যই এটি অনুসরণ করার জন্য আমার পক্ষে অনুসরণ করা সহজ I এজন্য যে কোনও প্রতিক্রিয়া স্বাগত এবং এটি আমার ভবিষ্যতের টিউটোরিয়ালগুলি উন্নত করতে সহায়তা করে!
আপনি যদি কিছু ভুল দেখেন দয়া করে আমার উপর একটি সমস্যা খোলার মাধ্যমে আমাকে জানান ml_things গিটহাব সংগ্রহস্থল!
প্রচুর টিউটোরিয়াল বেশিরভাগ ক্ষেত্রে এককালীন জিনিস রয়েছে এবং রক্ষণাবেক্ষণ করা হচ্ছে না। আমি আমার টিউটোরিয়ালগুলি যথাসম্ভব টু ডেট রাখার পরিকল্পনা করছি plan
