इस नोटबुक का उपयोग टेक्स्ट वर्गीकरण के लिए GPT2 मॉडल को फाइन-ट्यून करने के लिए किया जाता है गले लगनाट्रान्सफ़ॉर्मर एक कस्टम डेटासेट पर लाइब्रेरी।
वर्गीकरण कार्यों में GPT2 का उपयोग करने के लिए आवश्यक सभी कार्यक्षमताओं को शामिल करना हमारे लिए हगिंग फेस बहुत अच्छा है। चेहरे को गले लगाते हुए धन्यवाद!
मैं वर्गीकरण के लिए GPT2 का उपयोग करने के बारे में अधिक जानकारी नहीं पा सका, इसलिए मैंने अन्य ट्रांसफार्मर मॉडल के साथ समान संरचना का उपयोग करके इस ट्यूटोरियल को बनाने का निर्णय लिया।
मुख्य विचार: चूंकि GPT2 एक डिकोडर ट्रांसफार्मर है, इसलिए इनपुट अनुक्रम के अंतिम टोकन का उपयोग अगले टोकन के बारे में भविष्यवाणी करने के लिए किया जाता है जिसे इनपुट का पालन करना चाहिए। इसका मतलब यह है कि इनपुट अनुक्रम के अंतिम टोकन में भविष्यवाणी के लिए आवश्यक सभी जानकारी शामिल है। इसे ध्यान में रखते हुए हम उस जानकारी का उपयोग पीढ़ी कार्य के बजाय वर्गीकरण कार्य में भविष्यवाणी करने के लिए कर सकते हैं।
दूसरे शब्दों में, भविष्यवाणी करने के लिए पहले टोकन एम्बेडिंग का उपयोग करने के बजाय, जैसा कि हम बर्ट में करते हैं, हम GPT2 के साथ भविष्यवाणी करने के लिए अंतिम टोकन एम्बेडिंग का उपयोग करेंगे।
चूँकि हमें केवल बर्ट में पहले टोकन की परवाह थी, हम दाईं ओर पैडिंग कर रहे थे। अब GPT2 में हम भविष्यवाणी के लिए अंतिम टोकन का उपयोग कर रहे हैं इसलिए हमें बाईं ओर पैड लगाने की आवश्यकता होगी। हगिंगफेस ट्रांसफॉर्मर्स के अच्छे अपग्रेड के कारण हम ऐसा करने के लिए GPT2 टोकनाइज़र को कॉन्फ़िगर करने में सक्षम हैं।
मुझे इस नोटबुक के लिए क्या पता होना चाहिए?
चूंकि मैं PyTorch का उपयोग कर रहा हूं, इसलिए हमारे ट्रांसफॉर्मर मॉडल को ठीक करने के लिए PyTorch पर कोई भी ज्ञान बहुत उपयोगी है।
के बारे में थोड़ा जानकर ट्रान्सफ़ॉर्मर पुस्तकालय भी मदद करता है।
इस नोटबुक का उपयोग कैसे करें?
हर प्रोजेक्ट की तरह, मैंने इस नोटबुक को पुन: प्रयोज्यता को ध्यान में रखते हुए बनाया है।
सभी परिवर्तन डेटा प्रोसेसिंग भाग में होंगे जहां आपको अपनी डेटा आवश्यकताओं को पूरा करने के लिए PyTorch डेटासेट, डेटा कोलेटर और डेटा लोडर को अनुकूलित करने की आवश्यकता होगी।
बदले जा सकने वाले सभी पैरामीटर इसके अंतर्गत हैं आयात अनुभाग। प्रत्येक पैरामीटर को अच्छी तरह से टिप्पणी की जाती है और जितना संभव हो उतना सहज होने के लिए संरचित किया जाता है।
डेटासेट
यह नोटबुक एक कस्टम डेटासेट पर प्रीचेंजिंग ट्रांसफार्मर को कवर करेगा। मैं अच्छी तरह से ज्ञात फिल्मों की समीक्षा सकारात्मक - नकारात्मक लेबल का उपयोग करूंगा बड़ी फिल्म समीक्षा डेटासैट.
स्टैनफोर्ड वेबसाइट पर प्रदान किया गया विवरण:
यह द्विआधारी भावना वर्गीकरण के लिए एक डेटासेट है जिसमें पिछले बेंचमार्क डेटासेट की तुलना में काफी अधिक डेटा है। हम प्रशिक्षण के लिए 25,000 अत्यधिक ध्रुवीय फिल्म समीक्षा और परीक्षण के लिए 25,000 का एक सेट प्रदान करते हैं। उपयोग के लिए अतिरिक्त अनलिस्टेड डेटा भी है। रॉ टेक्स्ट और पहले से ही प्रोसेस किए गए शब्दों के फॉर्मेट का बैग दिया गया है। अधिक विवरण के लिए रिलीज़ में शामिल README फ़ाइल देखें।
यह डेटासेट क्यों? मेरा मानना है कि वर्गीकरण के लिए डेटासेट को समझना और उपयोग करना आसान है। मुझे लगता है कि भावना डेटा के साथ काम करने के लिए हमेशा मजेदार है।
कोडन
अब कुछ कोडिंग करते हैं! हम नोटबुक में प्रत्येक कोडिंग सेल के माध्यम से जाएंगे और वर्णन करेंगे कि यह क्या करता है, कोड क्या है, और कब प्रासंगिक है - आउटपुट दिखाएं।
यदि आप अपने स्वयं के अजगर नोटबुक में प्रत्येक कोड सेल को चलाने का निर्णय लेते हैं, तो मैंने इस प्रारूप का पालन करना आसान बना दिया है।
जब मैं एक ट्यूटोरियल से सीखता हूं तो मैं हमेशा परिणामों को दोहराने की कोशिश करता हूं। मेरा मानना है कि स्पष्टीकरण के बगल में कोड होने पर आपका अनुसरण करना आसान है।
डाउनलोड
डाउनलोड बड़ी फिल्म समीक्षा डेटासैट और इसे स्थानीय रूप से खोलना।
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
इंस्टॉल
ट्रान्सफ़ॉर्मर हगिंग फेस से सभी भयानक कोड का उपयोग करने के लिए लाइब्रेरी स्थापित करने की आवश्यकता है। नवीनतम संस्करण प्राप्त करने के लिए मैं इसे सीधे GitHub से स्थापित करूँगा।
एमएल_थिंग्स लाइब्रेरी का उपयोग विभिन्न मशीन सीखने से संबंधित कार्यों के लिए किया जाता है। मैंने प्रत्येक मशीन लर्निंग प्रोजेक्ट के लिए कोड की मात्रा को कम करने के लिए यह लाइब्रेरी बनाई थी, जिसे मुझे लिखना होगा।
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
आयात
इस नोटबुक के लिए सभी आवश्यक लाइब्रेरी आयात करें। इस नोटबुक के लिए उपयोग किए गए पैरामीटर घोषित करें:
set_seed(123) - प्रजनन के लिए एक निश्चित बीज निर्धारित करना हमेशा अच्छा होता है।
epochs - प्रशिक्षण युगों की संख्या (लेखक 2 और 4 के बीच सुझाते हैं)।
batch_size - बैचों की संख्या - अधिकतम अनुक्रम लंबाई और जीपीयू मेमोरी के आधार पर। 512 अनुक्रम लंबाई के लिए 10 का एक बैच आमतौर पर क्यूडा मेमोरी समस्याओं के बिना काम करता है। छोटे अनुक्रम की लंबाई के लिए 32 या उससे अधिक के बैच का प्रयास कर सकते हैं। max_length - पाठ अनुक्रमों को एक विशिष्ट लंबाई तक पैड या छोटा करें। प्रशिक्षण में तेजी लाने के लिए मैं इसे 60 पर सेट करूँगा।
device - उपयोग के लिए जीपीयू देखें। यदि कोई जीपीयू नहीं मिला तो डिफ़ॉल्ट रूप से सीपीयू का उपयोग किया जाएगा।
model_name_or_path - ट्रांसफार्मर मॉडल का नाम - पहले से प्रशिक्षित मॉडल का उपयोग किया जाएगा। ट्रांसफार्मर मॉडल का पथ - स्थानीय डिस्क से अपना स्वयं का मॉडल लोड करेगा। इस ट्यूटोरियल में मैं उपयोग करूंगा gpt2 मॉडल.
labels_ids - लेबल के शब्दकोश और उनकी आईडी - इसका उपयोग स्ट्रिंग लेबल को संख्याओं में बदलने के लिए किया जाएगा।
n_labels - हम इस डेटासेट में कितने लेबल का उपयोग कर रहे हैं। इसका उपयोग वर्गीकरण सिर का आकार तय करने के लिए किया जाता है।
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)
सहायक कार्य
मैं सभी वर्गों और कार्यों को रखना पसंद करता हूं जो इस खंड में इस नोटबुक के स्वच्छ स्वरूप को बनाए रखने में मदद करने के लिए उपयोग किए जाएंगे:
मूवीरिव्यूडेटासेट(डेटासेट)
यदि आपने पहले PyTorch के साथ काम किया है, तो यह काफी मानक है। हमें अपने डेटासेट में पढ़ने, उसे पार्स करने और टेक्स्ट को उनके संबंधित लेबल के साथ वापस करने के लिए इस क्लास की आवश्यकता है।
इस कक्षा में मुझे केवल प्रत्येक फ़ाइल की सामग्री को पढ़ना है, किसी भी यूनिकोड समस्या को ठीक करने के लिए फिक्स_टेक्स्ट का उपयोग करना है और सकारात्मक और नकारात्मक भावनाओं पर नज़र रखना है।
मैं सभी टेक्स्ट और लेबल को सूचियों में जोड़ दूंगा।
इस PyTorch डेटासेट वर्ग के तीन मुख्य भाग हैं:
इस में() जहां हम डेटासेट में पढ़ते हैं और टेक्स्ट और लेबल को संख्याओं में बदलते हैं।
लेन () जहां हमें पढ़े गए उदाहरणों की संख्या वापस करने की आवश्यकता है। इसका उपयोग लेन (मूवीरिव्यूज़डेटासेट()) को कॉल करते समय किया जाता है।
वस्तु ले आओ() हमेशा एक इनपुट के रूप में एक पूर्णांक मान लेता है जो दर्शाता है कि हमारे उदाहरणों में से कौन सा उदाहरण हमारे डेटासेट से वापस आना है। यदि 3 का मान पारित किया जाता है, तो हम अपने डेटासेट का उदाहरण स्थिति 3 पर लौटा देंगे।
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]}
Gpt2वर्गीकरणकोलेटर
मैं डेटा कोलेटर बनाने के लिए इस क्लास का उपयोग करता हूं। इसका उपयोग डेटालोडर में मॉडल में फीड किए जाने वाले डेटा का संग्रह बनाने के लिए किया जाएगा। मैं टेक्स्ट और लेबल को संख्या में बदलने के लिए प्रत्येक अनुक्रम पर टोकननाइज़र और लेबल एनकोडर का उपयोग करता हूं।
हमारे लिए सौभाग्य की बात है कि हगिंग फेस ने हर चीज के बारे में सोचा और टोकननाइजर से सारा भारी काम कराया (टेक्स्ट को टोकन में विभाजित करना, पैडिंग करना, ट्रंकेटिंग करना, टेक्स्ट को संख्याओं में एनकोड करना) और इसका उपयोग करना बहुत आसान है!
इस डेटा कोलेटर वर्ग के दो मुख्य भाग हैं:
इस में() हम जिस टोकननाइजर का उपयोग करने की योजना बना रहे हैं, उसे आरंभीकृत कहां करते हैं, अपने लेबल को एनकोड कैसे करें और क्या हमें अनुक्रम लंबाई को एक अलग मान पर सेट करने की आवश्यकता है।
कॉल () फ़ंक्शन कोलेटर के रूप में उपयोग किया जाता है जो इनपुट के रूप में डेटा उदाहरणों का एक बैच लेता है। इसे एक ऑब्जेक्ट को उस प्रारूप के साथ वापस करने की आवश्यकता है जिसे हमारे मॉडल में फीड किया जा सकता है। सौभाग्य से हमारा टोकननाइज़र हमारे लिए ऐसा करता है और मॉडल में फीड करने के लिए तैयार वेरिएबल्स का एक शब्दकोश इस प्रकार लौटाता है: model(**inputs). चूंकि हम मॉडल को बेहतर बना रहे हैं इसलिए मैंने लेबल भी शामिल किए हैं।
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
ट्रेन (dataloader, optimizer_, अनुसूचक_, device_)
मैंने यह फ़ंक्शन DataLoader ऑब्जेक्ट के माध्यम से पूर्ण पास करने के लिए बनाया है (DataLoader ऑब्जेक्ट **MovieReviewsDataset वर्ग का उपयोग करके हमारे डेटासेट* प्रकार ऑब्जेक्ट से बनाया गया है)। यह मूल रूप से संपूर्ण डेटासेट के माध्यम से एक युगांतरकारी ट्रेन है।
डेटालोडर PyTorch डेटालोडर से बनाया गया है जो MovieReviewsDataset क्लास से बनाए गए ऑब्जेक्ट को लेता है और प्रत्येक उदाहरण को बैचों में रखता है। इस तरह हम डेटा के अपने मॉडल बैचों को फीड कर सकते हैं!
PyTorch में ऑप्टिमाइज़र_ और शेड्यूलर_ बहुत आम हैं। उन्हें प्रशिक्षण के दौरान हमारे मॉडल के मापदंडों को अद्यतन करने और हमारी सीखने की दर को अद्यतन करने की आवश्यकता है। इसके अलावा भी बहुत कुछ है लेकिन मैं विवरण में नहीं जाऊंगा। यह वास्तव में एक बहुत बड़ा ख़रगोश का बिल हो सकता है क्योंकि इन कार्यों के पीछे बहुत कुछ होता है जिसके बारे में हमें चिंता करने की ज़रूरत नहीं है। धन्यवाद पायटोरच!
इस प्रक्रिया में हम नुकसान के साथ-साथ वास्तविक लेबल और अनुमानित लेबल का ट्रैक रखते हैं।
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
सत्यापन (डटलोडर, डिवाइस_)
मैंने इस फ़ंक्शन को ट्रेन के समान ही कार्यान्वित किया लेकिन पैरामीटर अपडेट, बैकवर्ड पास और ग्रेडिएंट सभ्य भाग के बिना। हमें उन सभी कम्प्यूटेशनल रूप से गहन कार्यों को करने की आवश्यकता नहीं है क्योंकि हम केवल अपने मॉडल की भविष्यवाणियों की परवाह करते हैं।
मैं अपने मॉडल को फीड करने के लिए बैच निकालने के लिए डेटालोडर का उपयोग उसी तरह करता हूं जैसे ट्रेन में किया जाता है।
इस प्रक्रिया में मैं वास्तविक लेबल और अनुमानित लेबल को नुकसान के साथ ट्रैक करता रहता हूं।
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
लोड मॉडल और टोकनराइजर
पूर्व-प्रशिक्षित GPT2 ट्रांसफार्मर के तीन आवश्यक भागों को लोड करना: कॉन्फ़िगरेशन, टोकननाइज़र और मॉडल।
इस उदाहरण के लिए मैं उपयोग करूंगा gpt2 हगिंगफेस पूर्व-प्रशिक्षित ट्रांसफार्मर से। आप GP2 की अपनी इच्छानुसार किसी भी विविधता का उपयोग कर सकते हैं।
बनाने में model_config मैं अपने वर्गीकरण कार्य के लिए आवश्यक लेबलों की संख्या का उल्लेख करूंगा। चूँकि मैं केवल दो भावनाओं की भविष्यवाणी करता हूँ: सकारात्मक और नकारात्मक, मुझे इसके लिए केवल दो लेबल की आवश्यकता होगी num_labels.
बना रहा है tokenizer ट्रांसफॉर्मर लाइब्रेरी का उपयोग करते समय यह काफी मानक है। टोकननाइज़र बनाने के बाद इस ट्यूटोरियल के लिए बाईं ओर पैडिंग सेट करना महत्वपूर्ण है tokenizer.padding_side = "left" और पैडिंग टोकन को इनिशियलाइज़ करें tokenizer.eos_token जो कि GPT2 का अनुक्रम टोकन का मूल अंत है। यह इस ट्यूटोरियल का सबसे आवश्यक हिस्सा है क्योंकि GPT2 भविष्यवाणी के लिए अंतिम टोकन का उपयोग करता है इसलिए हमें बाईं ओर पैड लगाने की आवश्यकता है।
HuggingFace ने पहले ही हमारे लिए अधिकांश काम कर लिया है और GPT2 मॉडल में एक वर्गीकरण परत जोड़ दी है। मॉडल बनाने में मैंने इसका उपयोग किया GPT2ForSequenceClassification. चूँकि हमारे पास एक कस्टम पैडिंग टोकन है, इसलिए हमें इसे उपयोग करने वाले मॉडल के लिए आरंभ करने की आवश्यकता है model.config.pad_token_id. अंततः हमें मॉडल को उस डिवाइस पर ले जाना होगा जिसे हमने पहले परिभाषित किया था।
# 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`
डेटासेट और कोलाटर
यहीं पर मैं डेटा कोलेटर ऑब्जेक्ट के साथ PyTorch डेटासेट और डेटा लोडर बनाता हूं जिसका उपयोग हमारे मॉडल में डेटा फीड करने के लिए किया जाएगा।
यह वह जगह है जहाँ मैं का उपयोग करें मूवीसमीक्षाडेटासेट PyTorch डेटासेट बनाने के लिए क्लास जो टेक्स्ट और लेबल लौटाएगा।
चूँकि हमें अपने मॉडल में संख्याओं को इनपुट करने की आवश्यकता है, इसलिए हमें टेक्स्ट और लेबल को संख्याओं में बदलने की आवश्यकता है। यह कोलेटर का उद्देश्य है! यह हमारे मॉडल के अनुक्रम को आउटपुट करने के लिए PyTorch डेटासेट द्वारा आउटपुट किया गया डेटा लेता है और डेटा कोलेटर फ़ंक्शन से गुजरता है।
मैं कोड को साफ़ और बेहतर संरचित बनाने के लिए टोकननाइज़र को PyTorch डेटासेट से दूर रख रहा हूँ। आप स्पष्ट रूप से PyTorch डेटासेट और आउटपुट अनुक्रमों के अंदर टोकननाइज़र का उपयोग कर सकते हैं जिन्हें डेटा कोलेटर का उपयोग किए बिना सीधे मॉडल में उपयोग किया जा सकता है।
ओवरफिटिंग से बचने के लिए कितना प्रशिक्षण आवश्यक है, यह निर्धारित करने के लिए मैं एक सत्यापन पाठ फ़ाइल का उपयोग करने की दृढ़ता से सलाह देता हूं। आपके द्वारा यह पता लगाने के बाद कि कौन से पैरामीटर सर्वोत्तम परिणाम देते हैं, सत्यापन फ़ाइल को ट्रेन में शामिल किया जा सकता है और पूरे डेटासेट के साथ अंतिम ट्रेन चला सकता है।
डेटा कोलेटर का उपयोग GPT2 के लिए आवश्यक इनपुट से मिलान करने के लिए PyTorch डेटासेट आउटपुट को प्रारूपित करने के लिए किया जाता है।
# 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!
रेलगाड़ी
मैंने प्रशिक्षण में PyTorch द्वारा ऑप्टिमाइज़र और शेड्यूलर का उपयोग किया। मैंने ट्रांसफॉर्मर मॉडलों द्वारा उपयोग किए जाने वाले अधिकांश सामान्य मापदंडों का उपयोग किया।
मैंने परिभाषित युगों की संख्या को लूप किया और कॉल किया रेलगाड़ी और सत्यापन कार्य करता है.
मैं प्रत्येक युग के बाद केरास के समान समान जानकारी आउटपुट करने का प्रयास कर रहा हूं: train_loss: - val_loss: - train_acc: - valid_acc.
प्रशिक्षण के बाद, यह जांचने के लिए कि प्रशिक्षण कैसा रहा, प्लॉट ट्रेन और सत्यापन हानि और सटीकता घटता है।
नोट:प्रशिक्षण प्लॉट थोड़े अजीब लग सकते हैं: सत्यापन सटीकता प्रशिक्षण सटीकता से अधिक शुरू होती है और सत्यापन हानि प्रशिक्षण हानि से कम शुरू होती है। सामान्यतः यह विपरीत होगा. मेरा मानना है कि सत्यापन भाग के लिए डेटा विभाजन आसान होगा या प्रशिक्षण भाग या दोनों के लिए बहुत कठिन होगा। चूँकि यह ट्यूटोरियल वर्गीकरण के लिए GPT2 का उपयोग करने के बारे में है, इसलिए मैं मॉडल के परिणामों के बारे में बहुत अधिक चिंता नहीं करूँगा।
# 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
ट्रेन और सत्यापन हानि.
प्रशिक्षण और सत्यापन सटीकता।
मूल्यांकन करना
वर्गीकरण से निपटते समय सटीक रिकॉल और एफ1 स्कोर को देखना उपयोगी होता है।
किसी मॉडल का मूल्यांकन करते समय भ्रम मैट्रिक्स एक अच्छा गेज है।
# 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, );
अगर आपने इसे दूर किया बधाई! 🎊 और शुक्रिया! 🙏 मेरे ट्यूटोरियल में आपकी रुचि के लिए!
मैं अभी कुछ समय से इस कोड का उपयोग कर रहा हूं और मुझे लगता है कि यह एक ऐसे बिंदु पर पहुंच गया जहां अच्छी तरह से प्रलेखित और अनुसरण करना आसान है।
बेशक मेरे लिए अनुसरण करना आसान है क्योंकि मैंने इसे बनाया है। यही कारण है कि किसी भी प्रतिक्रिया का स्वागत है और यह मुझे अपने भविष्य के ट्यूटोरियल को बेहतर बनाने में मदद करता है!
यदि आपको कुछ गलत दिखाई देता है तो कृपया मेरे बारे में एक मुद्दा खोलकर मुझे बताएं ml_things GitHub रिपॉजिटरी!
बाहर बहुत सारे ट्यूटोरियल ज्यादातर एक बार की चीज हैं और उनका रखरखाव नहीं किया जा रहा है। मैं अपने ट्यूटोरियल्स को जितना हो सकता है, उस पर रखने की योजना बना रहा हूं।
यह आलेख मूलतः पर प्रकाशित हुआ था जॉर्ज मिहिला की निजी वेबसाइट और लेखक से अनुमति के साथ TOPBOTS में फिर से प्रकाशित।
इस लेख का आनंद लें? अधिक AI अपडेट के लिए साइन अप करें।
जब हम अधिक तकनीकी शिक्षा जारी करते हैं तो हम आपको बताएंगे।
