Ta prenosni računalnik se uporablja za natančno nastavitev modela GPT2 za uporabo klasifikacije besedila Objemni obraztransformatorji knjižnico na naboru podatkov po meri.
Hugging Face je za nas zelo všeč, ker vključuje vse funkcije, potrebne za GPT2, ki se uporablja pri nalogah klasifikacije. Hvala Hugging Face!
Nisem mogel najti veliko informacij o tem, kako uporabiti GPT2 za klasifikacijo, zato sem se odločil narediti to vadnico z uporabo podobne strukture kot drugi modeli transformatorjev.
Glavna ideja: Ker je GPT2 pretvornik dekoderja, se zadnji žeton vhodnega zaporedja uporabi za napovedovanje naslednjega žetona, ki bi moral slediti vnosu. To pomeni, da zadnji žeton vhodnega zaporedja vsebuje vse informacije, potrebne za napoved. S tem v mislih lahko te informacije uporabimo za napoved v nalogi klasifikacije namesto naloge generiranja.
Z drugimi besedami, namesto uporabe prve vdelave žetona za napovedovanje, kot to počnemo v Bertu, bomo uporabili zadnjo vdelavo žetona za napovedovanje z GPT2.
Ker nas je zanimal samo prvi žeton v Bertu, smo se premikali v desno. Zdaj v GPT2 uporabljamo zadnji žeton za napovedovanje, tako da bomo morali pritisniti na levi strani. Zaradi dobre nadgradnje HuggingFace Transformers lahko konfiguriramo GPT2 Tokenizer, da naredi prav to.
Kaj moram vedeti za ta prenosnik?
Ker uporabljam PyTorch za natančno nastavitev naših modelov transformatorjev, je vsako znanje o PyTorchu zelo koristno.
Kot pri vsakem projektu sem tudi ta prenosnik izdelal z mislijo na možnost ponovne uporabe.
Vse spremembe se bodo zgodile v delu za obdelavo podatkov, kjer morate prilagoditi PyTorch Dataset, Data Collator in DataLoader, da ustrezajo vašim potrebam po podatkih.
Vsi parametri, ki jih je mogoče spremeniti, so pod Uvoz razdelek. Vsak parameter je lepo komentiran in strukturiran tako, da je čim bolj intuitiven.
Podatkovni niz
Ta zvezek bo pokrival transformatorje pred usposabljanjem na naboru podatkov po meri. Uporabil bom kritike znanih filmov pozitivno — negativno Velik nabor podatkov za pregled filma.
Opis na spletnem mestu Stanford:
To je nabor podatkov za binarno klasifikacijo razpoloženja, ki vsebuje bistveno več podatkov kot prejšnji nabori primerjalnih podatkov. Ponujamo nabor 25,000 zelo polarnih filmskih ocen za usposabljanje in 25,000 za testiranje. Obstajajo tudi dodatni neoznačeni podatki za uporabo. Na voljo sta neobdelano besedilo in že obdelana oblika zapisa besed. Za več podrobnosti si oglejte datoteko README v izdaji.
Zakaj ta niz podatkov? Menim, da je nabor podatkov za klasifikacijo enostaven za razumevanje in uporabo. Mislim, da je s podatki o razpoloženju vedno zabavno delati.
Kodiranje
Zdaj pa naredimo nekaj kodiranja! Pregledali bomo vsako kodirno celico v zvezku in opisali, kaj počne, kakšna je koda in kdaj je relevantna – pokažite rezultat.
To obliko sem naredil tako, da vam je enostavno slediti, če se odločite zagnati vsako kodno celico v svojem prenosnem računalniku python.
Ko se učim iz vadnice, vedno poskušam ponoviti rezultate. Verjamem, da je enostavno slediti, če imate kodo poleg razlag.
Moji Prenosi
Prenos Velik nabor podatkov za pregled filma in ga lokalno razpakirajte.
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
Namesti
transformatorji knjižnico je treba namestiti, če želite uporabiti vso čudovito kodo Hugging Face. Za pridobitev najnovejše različice jo bom namestil neposredno iz GitHuba.
ml_stvari knjižnica, ki se uporablja za različne naloge, povezane s strojnim učenjem. To knjižnico sem ustvaril, da zmanjšam količino kode, ki jo moram napisati za vsak projekt strojnega učenja.
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
Uvoz
Uvozite vse potrebne knjižnice za ta zvezek. Navedite parametre, uporabljene za ta zvezek:
set_seed(123) – Zaradi ponovljivosti je vedno dobro nastaviti fiksno seme.
epochs – Število vadbenih obdobij (avtorji priporočajo med 2 in 4).
batch_size – Število paketov – odvisno od največje dolžine zaporedja in pomnilnika GPE. Za dolžino zaporedja 512 serija 10 OBIČAJNO deluje brez težav s pomnilnikom cuda. Za majhno dolžino zaporedja lahko poskusite serijo 32 ali več. max_length – besedilna zaporedja podložijo ali prirežejo na določeno dolžino. Nastavil ga bom na 60, da pospešim trening.
device – Poiščite GPU za uporabo. Privzeto bo uporabil CPE, če GPU ni najden.
model_name_or_path – Ime modela transformatorjev – bo uporabil že vnaprej usposobljen model. Pot modela transformatorja – naloži vaš model z lokalnega diska. V tej vadnici bom uporabil gpt2 model.
labels_ids – Slovar oznak in njihovih id – to bo uporabljeno za pretvorbo oznak nizov v številke.
n_labels – Koliko oznak uporabljamo v tem naboru podatkov. To se uporablja za določitev velikosti glave klasifikacije.
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)
Pomožne funkcije
Rad bi obdržal vse razrede in funkcije, ki bodo uporabljeni v tem zvezku, pod tem razdelkom, da bi ohranil čist videz zvezka:
MovieReviewsDataset(Dataset)
Če ste že delali s PyTorchom, je to precej standardno. Ta razred potrebujemo za branje našega nabora podatkov, njegovo razčlenjevanje in vrnitev besedil s pripadajočimi oznakami.
V tem razredu moram samo prebrati vsebino vsake datoteke, uporabiti fix_text za odpravo morebitnih težav z Unicode in slediti pozitivnim in negativnim občutkom.
Vsa besedila in oznake bom dodal na sezname.
Obstajajo trije glavni deli tega razreda nabora podatkov PyTorch:
v() kjer beremo v naboru podatkov ter pretvorimo besedilo in oznake v številke.
len () kjer moramo vrniti število primerov, ki smo jih prebrali. To se uporablja pri klicu len(MovieReviewsDataset()).
getitem() kot vhod vedno vzame vrednost int, ki predstavlja, kateri primer iz naših primerov vrne iz našega nabora podatkov. Če je podana vrednost 3, bomo vrnili primer iz našega nabora podatkov na mestu 3.
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]}
Gpt2ClassificationCollator
Ta razred uporabljam za ustvarjanje zbiralnika podatkov. To bo uporabljeno v DataLoaderju za ustvarjanje množice podatkov, ki se vnesejo v model. Pri vsakem zaporedju uporabljam tokenizer in kodirnik oznak za pretvorbo besedil in oznak v številke.
Na našo srečo je Hugging Face pomislil na vse in poskrbel, da je tokenizer opravil vse težke naloge (razdelitev besedila na žetone, oblazinjenje, prirezovanje, kodiranje besedila v številke) in je zelo enostaven za uporabo!
Obstajata dva glavna dela tega razreda Data Collator:
v() kje inicializiramo tokenizer, ki ga nameravamo uporabiti, kako kodirati naše oznake in ali moramo dolžino zaporedja nastaviti na drugo vrednost.
pokliči () uporablja se kot zbiralnik funkcij, ki kot vhod sprejme serijo primerov podatkov. Vrniti mora objekt s formatom, ki ga je mogoče vnesti v naš model. Na srečo naš tokenizer to naredi namesto nas in vrne slovar spremenljivk, pripravljenih za vnos v model na ta način: model(**inputs). Ker model izpopolnjujemo, sem vključil tudi oznake.
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
To funkcijo sem ustvaril za izvedbo popolnega prehoda skozi objekt DataLoader (predmet DataLoader je ustvarjen iz našega objekta tipa Dataset* z uporabo razreda **MovieReviewsDataset). To je v bistvu ena epoha skozi celoten nabor podatkov.
Nalagalnik podatkov je ustvarjen iz PyTorch DataLoaderja, ki vzame predmet, ustvarjen iz razreda MovieReviewsDataset, in postavi vsak primer v pakete. Na ta način lahko našemu modelu dodamo pakete podatkov!
Optimizator_ in razporejevalnik_ sta v PyTorchu zelo pogosta. Od njih se zahteva posodobitev parametrov našega modela in posodobitev naše stopnje učenja med usposabljanjem. Obstaja veliko več kot to, vendar se ne bom spuščal v podrobnosti. To je pravzaprav lahko ogromna zajčja luknja, saj se za temi funkcijami zgodi VELIKO, kar nam ni treba skrbeti. Hvala PyTorch!
V procesu spremljamo dejanske oznake in predvidene oznake skupaj z izgubo.
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
validacija (nalagalnik podatkov, naprava_)
To funkcijo sem implementiral na zelo podoben način kot vlak, vendar brez posodobitve parametrov, prehoda nazaj in spodobnega dela gradienta. Ni nam treba opraviti vseh teh ZELO računsko intenzivnih nalog, ker nas zanimajo samo napovedi našega modela.
DataLoader uporabljam na podoben način kot na vlaku, da dobim serije za vnos v naš model.
Pri tem spremljam dejanske oznake in predvidene oznake skupaj z izgubo.
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
Naloži model in tokenizator
Nalaganje treh bistvenih delov vnaprej pripravljenega transformatorja GPT2: konfiguracija, tokenizator in model.
Za ta primer bom uporabil gpt2 iz vnaprej pripravljenih transformatorjev HuggingFace. Uporabite lahko poljubne različice GP2.
Pri ustvarjanju model_config Omenil bom število oznak, ki jih potrebujem za nalogo klasifikacije. Ker predvidevam samo dva čustva: pozitivno in negativno, bom potreboval le dve oznaki num_labels.
Ustvarjanje tokenizer je precej standardno pri uporabi knjižnice Transformers. Ko ustvarite tokenizer, je za to vadnico ključnega pomena, da nastavite oblazinjenje na levo tokenizer.padding_side = "left" in inicializirajte žeton oblazinjenja v tokenizer.eos_token ki je originalni žeton konca zaporedja GPT2. To je najpomembnejši del te vadnice, saj GPT2 uporablja zadnji žeton za predvidevanje, zato moramo slediti levo.
HuggingFace je že opravil večino dela namesto nas in modelu GPT2 dodal klasifikacijsko plast. Pri ustvarjanju modela sem uporabil GPT2ForSequenceClassification. Ker imamo žeton za oblazinjenje po meri, ga moramo inicializirati za model, ki ga uporablja model.config.pad_token_id. Na koncu bomo morali premakniti model v napravo, ki smo jo definirali prej.
# 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`
Nabor podatkov in Collator
Tukaj ustvarim nabor podatkov PyTorch in nalagalnik podatkov s predmeti zbiralnika podatkov, ki se bodo uporabljali za podajanje podatkov v naš model.
Tukaj uporabljam MovieReviewsDataset razred za ustvarjanje nabora podatkov PyTorch, ki bo vrnil besedila in oznake.
Ker moramo v naš model vnesti številke, moramo pretvoriti besedila in oznake v številke. To je namen zbiralnika! Za izpis zaporedja za naš model vzame podatke, ki jih izpiše nabor podatkov PyTorch in prenese skozi funkcijo zbiralnika podatkov.
Tokenizer hranim stran od nabora podatkov PyTorch, da bo koda čistejša in bolje strukturirana. Očitno lahko uporabite tokenizer znotraj nabora podatkov PyTorch in izhodnih zaporedij, ki jih je mogoče uporabiti neposredno v modelu brez uporabe zbiralnika podatkov.
Močno priporočam uporabo potrditvene besedilne datoteke, da ugotovite, koliko usposabljanja je potrebno, da se izognete prekomernemu opremljanju. Ko ugotovite, kateri parametri dajejo najboljše rezultate, lahko potrditveno datoteko vključite v niz in zaženete končni niz s celotnim naborom podatkov.
Zbirnik podatkov se uporablja za oblikovanje izhodov nabora podatkov PyTorch, da se ujemajo z vhodi, potrebnimi za GPT2.
# 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!
Vlak
Na usposabljanju sem ustvaril optimizator in razporejevalnik, ki ga uporablja PyTorch. Uporabil sem najpogostejše parametre, ki jih uporabljajo modeli transformatorjev.
Prebrskal sem število definiranih epoh in poklical vlak in potrjevanje funkcije.
Poskušam izpisati podobne informacije po vsaki epohi kot Keras: train_loss: — val_loss: — train_acc: — valid_acc.
Po usposabljanju narišite krivulje izgube in krivulje krivulje validacije ter natančnosti, da preverite, kako je potekalo usposabljanje.
Opomba:Grafi usposabljanja so morda videti nekoliko čudni: natančnost validacije se začne višje od natančnosti usposabljanja in izguba validacije se začne nižje od izgube usposabljanja. Običajno bo to nasprotno. Predvidevam, da je razdelitev podatkov lažja za del preverjanja ali pretežka za del usposabljanja ali oboje. Ker ta vadnica govori o uporabi GPT2 za klasifikacijo, se ne bom preveč obremenjeval z rezultati modela.
# 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
Izguba vlaka in validacije.
Natančnost usposabljanja in validacije.
oceniti
Pri razvrščanju je koristno pogledati natančen priklic in rezultat F1.
Dobro merilo, ki ga morate imeti pri ocenjevanju modela, je matrika zmede.
# 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, );
