Questo notebook è progettato per utilizzare un modello di trasformatori pre-addestrato e perfezionarlo in un'attività di classificazione. Il focus di questo tutorial sarà sul codice stesso e su come adattarlo alle tue esigenze.
Questo taccuino sta usando il Classi automatiche da trasformatore by Abbracciare il viso funzionalità. Questa funzionalità può indovinare la configurazione, il tokenizer e l'architettura di un modello semplicemente passando il nome del modello. Ciò consente la riutilizzabilità del codice su un gran numero di modelli di trasformatori!
Ho fornito abbastanza istruzioni e commenti per essere in grado di seguire con una conoscenza minima del codice Python.
Dato che sto usando PyTorch per mettere a punto i nostri modelli di trasformatori, qualsiasi conoscenza su PyTorch è molto utile. Conoscere un po 'di trasformatori anche la biblioteca aiuta.
Come usare questo taccuino?
Ho costruito questo notebook pensando alla riusabilità. Il modo in cui carico il set di dati in PyTorch dataset class è piuttosto standard e può essere facilmente riutilizzato per qualsiasi altro set di dati.
Le uniche modifiche necessarie per utilizzare il tuo set di dati saranno nella lettura del set di dati all'interno del file MovieReviewsSet di dati classe che utilizza PyTorch dataset. Caricatore dati Data restituirà un dizionario di partita formato degli input in modo che possa essere inviato direttamente al modello utilizzando l'istruzione: outputs = model(**batch). Finché questa affermazione vale, il resto del codice funzionerà!
Quali modelli di trasformatori funzionano con questo notebook?
Ci sono rari casi in cui utilizzo un modello diverso da Bert quando ho a che fare con la classificazione dai dati di testo. Quando è necessario eseguire un'architettura del modello di trasformatore diversa, quale funzionerebbe con questo codice?
Poiché il nome dei taccuini è finetune_transformers dovrebbe funzionare con più di un tipo di trasformatori.
Ho passato questo taccuino tutti i modelli pre-addestrati trovato su Hugging Face Transformer. In questo modo saprai in anticipo se il modello che intendi utilizzare funziona con questo codice senza alcuna modifica.
È possibile trovare l'elenco dei modelli di trasformatori pre-addestrati che funzionano con questo notebook qui. Ci sono 73 modelli che hanno funzionato? ed 33 modelli che non hanno funzionato? con questo taccuino.
dataset
Questo notebook riguarderà la messa a punto dei trasformatori per l'attività di classificazione binaria. Userò le ben note recensioni di film con etichette positive - negative Set di dati di recensioni di film di grandi dimensioni.
La descrizione fornita sul sito web di Stanford:
Si tratta di un set di dati per la classificazione del sentiment binario contenente sostanzialmente più dati rispetto ai precedenti set di dati di benchmark. Forniamo una serie di 25,000 recensioni di film altamente polari per la formazione e 25,000 per i test. Sono disponibili anche dati aggiuntivi senza etichetta da utilizzare. Vengono forniti testo grezzo e formati di bag of words già elaborati. Vedere il file README contenuto nel rilascio per maggiori dettagli.
Perché questo set di dati? Credo che sia un set di dati di facile comprensione e utilizzo per la classificazione. Penso che lavorare con i dati sul sentiment sia sempre divertente.
codifica
Ora facciamo un po 'di programmazione! Esamineremo ogni cella di codifica nel notebook e descriveremo cosa fa, qual è il codice e quando è rilevante - mostra l'output.
Ho reso questo formato facile da seguire se decidi di eseguire ogni cella di codice nel tuo notebook Python.
Quando imparo da un tutorial cerco sempre di replicare i risultati. Credo che sia facile da seguire se hai il codice accanto alle spiegazioni.
Scarica
Scarica la Set di dati di recensioni di film di grandi dimensioni e decomprimilo localmente.
# 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
Installazioni
trasformatori la libreria deve essere installata per utilizzare tutto il fantastico codice di Hugging Face. Per ottenere l'ultima versione la installerò direttamente da GitHub.
ml_cose libreria utilizzata per varie attività correlate all'apprendimento automatico. Ho creato questa libreria per ridurre la quantità di codice che devo scrivere per ogni progetto di machine learning. Provaci!
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 wheel for 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
Importazioni
Importa tutte le librerie necessarie per questo blocco note.
Dichiarare i parametri utilizzati per questo notebook:
set_seed(123) - Sempre bene impostare un seme fisso per la riproducibilità.
epochs - Numero di periodi di formazione (gli autori consigliano tra 2 e 4).
batch_size - Numero di batch, a seconda della lunghezza massima della sequenza e della memoria della GPU. Per 512 sequenze di lunghezza un lotto di 10 DI SOLITO funziona senza problemi di memoria cuda. Per una sequenza di piccole dimensioni, provare un lotto di 32 o superiore.
max_length - Riempire o troncare le sequenze di testo a una lunghezza specifica. Lo imposterò a 60 gettoni per accelerare l'allenamento.
device - Cerca la GPU da usare. userò cpu per impostazione predefinita se no gpu trovato.
model_name_or_path - Nome del modello dei trasformatori - utilizzerà il modello già pre-addestrato. Percorso del modello del trasformatore: caricherà il tuo modello dal disco locale. Mi piace sempre iniziare con bert-base-cased: Parametri a 12 strati, 768 nascosti, 12 teste, 109M. Formazione su testo inglese incamiciato.
labels_ids - Dizionario delle etichette e il loro ID: questo verrà utilizzato per convertire le etichette delle stringhe in numeri.
n_labels - Quante etichette stiamo usando in questo set di dati. Viene utilizzato per decidere la dimensione della testa di classificazione.
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 (AutoConfig, AutoModelForSequenceClassification, AutoTokenizer, AdamW, get_linear_schedule_with_warmup, set_seed, ) # Set seed for reproducibility,
set_seed(123) # Number of training epochs (authors 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.
batches = 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 = 'bert-base-cased' # Dicitonary 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)
Funzioni di supporto
Mi piace mantenere tutte le classi e le funzioni che userò in questo taccuino in questa sezione per aiutare a mantenere un aspetto pulito del taccuino:
MovieReviewsSet di dati
Se hai lavorato con PyTorch prima, questo è abbastanza standard. Abbiamo bisogno di questa classe per leggere nel nostro set di dati, analizzarlo, utilizzare il tokenizer che trasforma il testo in numeri e ottenerlo in un bel formato da fornire al modello.
Fortunato per l'uso, Abbracciare il viso ha pensato a tutto e ha creato il file tokenizer fare tutto il lavoro pesante (dividere il testo in gettoni, riempire, troncare, codificare il testo in numeri) ed è molto facile da usare!
In questa classe ho solo bisogno di leggere il contenuto di ogni file, usa correzione_testo per risolvere eventuali problemi Unicode e tenere traccia dei sentimenti positivi e negativi.
Aggiungerò tutti i testi e le etichette in elenchi che in seguito darò in pasto al tokenizer e agli ID etichetta per trasformare tutto in numeri.
Ci sono tre parti principali di questo PyTorch dataset classe:
dentro() dove leggiamo nel set di dati e trasformiamo testo ed etichette in numeri.
__len __ () dove dobbiamo restituire il numero di esempi che abbiamo letto. Questo viene utilizzato quando si chiama len (MovieReviewsDataset ()) .
__getitem __ () prende sempre come input un valore int hat rappresenta quale esempio dai nostri esempi restituire dal nostro set di dati. Se viene passato un valore di 3, restituiremo l'esempio dal nostro set di dati alla posizione 3. Deve restituire un oggetto con il formato che può essere fornito al nostro modello. Fortunatamente il nostro tokenizer lo fa per noi e restituisce un dizionario di variabili pronte per essere fornite al modello in questo modo:model(**inputs).
class MovieReviewsDataset(Dataset): r"""PyTorch Dataset class for loading data. This is where the data parsing happens and where the text gets encoded using loaded tokenizer. 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: path (:obj:`str`): Path to the data partition. 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, path, use_tokenizer, labels_ids, max_sequence_len=None): # 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') # Check max sequence length. max_sequence_len = use_tokenizer.max_len if max_sequence_len is None else max_sequence_len texts = [] labels = [] print('Reading partitions...') # Since the labels are defined by folders with data we loop # through each label. for label, label_id, in tqdm(labels_ids.items()): sentiment_path = os.path.join(path, label) # Get all files from path. files_names = os.listdir(sentiment_path)#[:10] # Sample for debugging. print('Reading %s files...' % label) # Go through each file and read its content. for file_name in tqdm(files_names): 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. texts.append(content) # Save encode labels. labels.append(label_id) # Number of exmaples. self.n_examples = len(labels) # Use tokenizer on texts. This can take a while. print('Using tokenizer on all texts. This can take a while...') self.inputs = use_tokenizer(texts, add_special_tokens=True, truncation=True, padding=True, return_tensors='pt', max_length=max_sequence_len) # Get maximum sequence length. self.sequence_len = self.inputs['input_ids'].shape[-1] print('Texts padded or truncated to %d length!' % self.sequence_len) # Add labels. self.inputs.update({'labels':torch.tensor(labels)}) print('Finished!n') 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, object]`: Dictionary of inputs that feed into the model. It holddes the statement `model(**Returned Dictionary)`. """ return {key: self.inputs[key][item] for key in self.inputs.keys()}
Ho creato questa funzione per eseguire un passaggio completo attraverso il file Caricatore dati Data oggetto (il Caricatore dati Data oggetto viene creato dal nostro dataset tipo di oggetto utilizzando il MovieReviewsSet di dati classe). Questo è fondamentalmente un treno d'epoca attraverso l'intero set di dati.
I caricatore di dati è creato da PyTorch Caricatore dati Data che prende l'oggetto creato da MovieReviewsSet di dati class e mette ogni esempio in batch. In questo modo possiamo alimentare i nostri batch di modelli di dati!
I ottimizzatore_ ed pianificatore_ sono molto comuni in PyTorch. Sono necessari per aggiornare i parametri del nostro modello e aggiornare la nostra velocità di apprendimento durante la formazione. C'è molto di più ma non entrerò nei dettagli. Questo può effettivamente essere un'enorme tana di coniglio poiché MOLTO accade dietro a queste funzioni di cui non dobbiamo preoccuparci. Grazie PyTorch!
Nel processo teniamo traccia delle etichette effettive e previste insieme alla perdita.
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
validazione (dataloader, device_)
Ho implementato questa funzione in un modo molto simile a provare ma senza l'aggiornamento dei parametri, passaggio all'indietro e gradiente decente. Non abbiamo bisogno di fare tutte quelle attività MOLTO computazionalmente intensive perché ci preoccupiamo solo delle previsioni del nostro modello.
Io uso il Caricatore dati Data in modo simile al treno per ottenere lotti da alimentare al nostro modello.
Nel processo tengo traccia delle etichette effettive e delle etichette previste insieme alla perdita.
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
Carica modello e tokenizzatore
Caricamento delle tre parti essenziali dei trasformatori pre-addestrati: configurazione, tokenizer ed modello. Devo anche caricare il modello sul dispositivo che intendo utilizzare (GPU / CPU).
Da quando uso l'estensione Classe automatica funzionalità da Abbracciare il viso Devo solo preoccuparmi del nome del modello come input e il resto è gestito dalla libreria dei trasformatori.
# Get model configuration.
print('Loading configuraiton...')
model_config = AutoConfig.from_pretrained(pretrained_model_name_or_path=model_name_or_path, num_labels=n_labels) # Get model's tokenizer.
print('Loading tokenizer...')
tokenizer = AutoTokenizer.from_pretrained(pretrained_model_name_or_path=model_name_or_path) # Get the actual model.
print('Loading model...')
model = AutoModelForSequenceClassification.from_pretrained(pretrained_model_name_or_path=model_name_or_path, config=model_config) # Load model to defined device.
model.to(device)
print('Model loaded to `%s`'%device)
Loading configuraiton...
Loading tokenizer...
Loading model...
Some weights of the model checkpoint at bert-base-cased were not used when initializing BertForSequenceClassification: ['cls.predictions.bias', 'cls.predictions.transform.dense.weight', 'cls.predictions.transform.dense.bias', 'cls.predictions.decoder.weight', 'cls.seq_relationship.weight', 'cls.seq_relationship.bias', 'cls.predictions.transform.LayerNorm.weight', 'cls.predictions.transform.LayerNorm.bias']
- This IS expected if you are initializing BertForSequenceClassification from the checkpoint of a model trained on another task or with another architecture (e.g. initializing a BertForSequenceClassification model from a BertForPretraining model).
- This IS NOT expected if you are initializing BertForSequenceClassification from the checkpoint of a model that you expect to be exactly identical (initializing a BertForSequenceClassification model from a BertForSequenceClassification model).
Some weights of BertForSequenceClassification were not initialized from the model checkpoint at bert-base-cased and are newly initialized: ['classifier.weight', 'classifier.bias']
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`
Set di dati e DataLoader
Qui è dove creo PyTorch dataset ed Caricatore dati Data oggetti che verranno utilizzati per inserire dati nel nostro modello.
Qui è dove uso il file MovieReviewsSet di dati class e creare le variabili del set di dati. Poiché i dati sono partizionati sia per il training che per il test, creerò un PyTorch dataset e PyTorch Caricatore dati Data oggetto per l'addestramento e il test. SOLO per semplicità userò il test come validazione. In pratica NON USARE MAI I DATI DEL TEST PER LA CONVALIDA!
print('Dealing with Train...')
# Create pytorch dataset.
train_dataset = MovieReviewsDataset(path='/content/aclImdb/train', use_tokenizer=tokenizer, labels_ids=labels_ids, max_sequence_len=max_length)
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)
print('Created `train_dataloader` with %d batches!'%len(train_dataloader)) print() print('Dealing with ...')
# Create pytorch dataset.
valid_dataset = MovieReviewsDataset(path='/content/aclImdb/test', use_tokenizer=tokenizer, labels_ids=labels_ids, max_sequence_len=max_length)
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)
print('Created `eval_dataloader` with %d batches!'%len(valid_dataloader))
Dealing with Train...
Reading partitions...
100%|████████████████████████████████|2/2 [00:34<00:00, 17.28s/it]
Reading neg files...
100%|████████████████████████████████|12500/12500 [00:34<00:00, 362.01it/s] Reading pos files...
100%|████████████████████████████████|12500/12500 [00:23<00:00, 534.34it/s] Using tokenizer on all texts. This can take a while...
Texts padded or truncated to 40 length!
Finished! Created `train_dataset` with 25000 examples!
Created `train_dataloader` with 25000 batches! Dealing with ...
Reading partitions...
100%|████████████████████████████████|2/2 [01:28<00:00, 44.13s/it]
Reading neg files...
100%|████████████████████████████████|12500/12500 [01:28<00:00, 141.71it/s] Reading pos files...
100%|████████████████████████████████|12500/12500 [01:17<00:00, 161.60it/s] Using tokenizer on all texts. This can take a while...
Texts padded or truncated to 40 length!
Finished! Created `valid_dataset` with 25000 examples!
Created `eval_dataloader` with 25000 batches!
Treni
Creo un ottimizzatore e uno scheduler che verranno utilizzati da PyTorch durante l'addestramento.
Scorro il numero di epoche definite e chiamo il file provare ed convalida funzioni.
Produrrò informazioni simili dopo ogni epoca come in Keras: train_loss: - val_loss: - train_acc: - valid_acc.
Dopo l'allenamento, traccio il grafico delle curve di perdita e accuratezza del treno e della convalida per verificare come è andato l'allenamento.
# 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, # args.learning_rate - default is 5e-5, our notebook had 2e-5 eps = 1e-8 # args.adam_epsilon - 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[13:49<00:00, 207.37s/it] Training on batches... 100%|████████████████████████████████|782/782[02:40<00:00,4.86it/s] Validation on batches... 100%|████████████████████████████████|782/782[00:46<00:00,16.80it/s] train_loss: 0.44816 - val_loss: 0.38655 - train_acc: 0.78372 - valid_acc: 0.81892 Training on batches... 100%|████████████████████████████████|782/782[02:40<00:00,4.86it/s] Validation on batches... 100%|████████████████████████████████|782/782 [02:13<00:00,5.88it/s] train_loss: 0.29504 - val_loss: 0.43493 - train_acc: 0.87352 -valid_acc: 0.82360 Training on batches... 100%|████████████████████████████████|782/782[02:40<00:00, 4.87it/s] Validation on batches... 100%|████████████████████████████████|782/782[01:43<00:00,7.58it/s] train_loss: 0.16901 - val_loss: 0.48433 - train_acc: 0.93544 -valid_acc: 0.82624 Training on batches... 100%|████████████████████████████████|782/782[02:40<00:00, 4.87it/s] Validation on batches... 100%|████████████████████████████████|782/782[00:46<00:00,16.79it/s]
train_loss: 0.09816 - val_loss: 0.73001 - train_acc: 0.96936 - valid_acc: 0.82144
Sembra che poco più di un'epoca sia sufficiente per questo modello e set di dati.
Valutare
Quando si ha a che fare con la classificazione è utile guardare precisione,ricordare ed punteggio f1. Un altro aspetto positivo da considerare quando si valuta il modello è la matrice di confusione.
# 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=3, );
I risultati non sono eccezionali, ma per questo tutorial non siamo interessati alle prestazioni.
Nota finale
Se sei arrivato così lontano Congratulazioni! ? ed Grazie! ? per il tuo interesse per il mio tutorial!
Sto usando questo codice da un po 'di tempo e sento che è arrivato a un punto in cui è ben documentato e facile da seguire.
Ovviamente è facile per me seguirlo perché l'ho costruito. Ecco perché qualsiasi feedback è il benvenuto e mi aiuta a migliorare i miei futuri tutorial!
Se vedi qualcosa che non va, fammelo sapere aprendo un file problema sul mio ml_things Repository GitHub!
Molti tutorial là fuori sono per lo più una cosa unica e non vengono mantenuti. Ho intenzione di mantenere i miei tutorial aggiornati il più possibile.
