huggingface简明教程

https://www.bilibili.com/video/BV1a44y1H7Jc?p=2&vd_source=91219057315288b0881021e879825aa3

huggingface官网:Hugging Face – The AI community building the future.

数据集:https://huggingface.co/datasets

模型:https://huggingface.co/models

主要模型

  • 自回归

    GPT2、Transformer-XL、XLnet

  • 自编码

    BERT、ALBERT、RoBERTa、ELECTRA

  • StoS

    BART、Pegasus、T5

安装环境

安装transformer

pip install transformers

安装datasets

pip install datasets

使用字典和分词工具

加载tokenizer(分词器)准备语料

from transformers import BertTokenizer
# 加载预训练字典和分词方法
tokenizer = BertTokenizer.from_pretrained(
    pretrained_model_name_or_path = 'bert-base-chinese',
    cache_dir=None,
    force_download=False,
)

sents = [
    '选择珠江花园的原因就是方便。',
    '笔记本的键盘确实爽。',
    '房间太小。其他的都一般',
    '今天才知道这书还有第6卷,真有点郁闷.',
    '机器背面似乎被撕了张什么标签,残胶还在。'
]

tokenizer,sents

image-20221017122805837

简单的编码

# 编码两个句子
out = tokenizer.encode(
    text=sents[0],
    text_pair=sents[1],
    
    #当句子长度大于max_length时,截断
    truncation=True,
    
    #一律补pad到max_length长度
    padding='max_length',
    add_speical_tokens=True,
    max_length=30,
    return_tensors=None
)
print(out)

tokenizer.decode(out)

image-20221017123928847

增强的编码函数

# 增强的编码函数
out = tokenizer.encode_plus(
    text = sents[0],
    text_pair=sents[1],
    
    # 当句子长度大于max_length长度
    padding='max_length',
    max_length=30,
    add_special_tokens=True,
    
    # 可取值tf,pt,np,默认返回list tensorflow,pytorch,numpy
    return_tensors=None,
    
    # 返回token_type_ids
    return_token_type_ids=True,
    
    # 返回attention_mask
    return_attention_mask=True,
    
    # 返回special_tokens_mask特殊符号标识
    return_special_tokens_mask=True,
    
    # 返回offset_mapping标识每个词的起始位置,这个参数只能BertTokenizerFast使用
    # return_offsets_mapping=True,
    
    # 返回长度
    return_length = True
    
)

#input_ids 就是编码后的词
#token_type_ ids 第一- 个句子和特殊符号的位置是0,第二个句子的位置是1
#special_tokens_ mask 特殊符号的位置是1,其他位置是0
#attention_ mask pad的位置是0,其他位置是1
#length返回句子长度

for k,v in out.items():
    print(k,':',v)

tokenizer.decode(out['input_ids'])

image-20221017125103673

批量编码句子

# 增强的编码函数
out = tokenizer.batch_encode_plus(
    batch_text_or_text_pairs = [sents[0],sents[1]],
    add_special_tokens=True,
    
    #当句子长度大于max_length时,截断
    truncation=True,
    
    # 一律补零到max_length长度
    padding='max_length',
    max_length=30,
    
    
    # 可取值tf,pt,np,默认返回list tensorflow,pytorch,numpy
    return_tensors=None,
    
    # 返回token_type_ids
    return_token_type_ids=True,
    
    # 返回attention_mask
    return_attention_mask=True,
    
    # 返回special_tokens_mask特殊符号标识
    return_special_tokens_mask=True,
    
    # 返回offset_mapping标识每个词的起始位置,这个参数只能BertTokenizerFast使用
    # return_offsets_mapping=True,
    
    # 返回长度
    return_length = True
    
)
for k,v in out.items():
    print(k,':',v)

tokenizer.decode(out['input_ids'][0]),tokenizer.decode(out['input_ids'][1])

image-20221017125600970

批量成对编码

# 批量成对
out = tokenizer.batch_encode_plus(
    batch_text_or_text_pairs = [(sents[0],sents[1]),(sents[2],sents[3])],
    add_special_tokens=True,
    
    #当句子长度大于max_length时,截断
    truncation=True,
    
    # 一律补零到max_length长度
    padding='max_length',
    max_length=30,
    
    
    # 可取值tf,pt,np,默认返回list tensorflow,pytorch,numpy
    return_tensors=None,
    
    # 返回token_type_ids
    return_token_type_ids=True,
    
    # 返回attention_mask
    return_attention_mask=True,
    
    # 返回special_tokens_mask特殊符号标识
    return_special_tokens_mask=True,
    
    # 返回offset_mapping标识每个词的起始位置,这个参数只能BertTokenizerFast使用
    # return_offsets_mapping=True,
    
    # 返回长度
    return_length = True
    
)
for k,v in out.items():
    print(k,':',v)

tokenizer.decode(out['input_ids'][0]),tokenizer.decode(out['input_ids'][1])

image-20221017125844791

字典操作

# 字典
zidian=tokenizer.get_vocab() # bert-base-chinese是一个一个字存储的,所以这列月光不在字典里面

type(zidian),len(zidian),'月光' in zidian,

image-20221017130609056

# 添加新词
tokenizer.add_tokens(new_tokens=['月光','希望'])

# 添加新符号
tokenizer.add_special_tokens({'eos_token':'[EOS]'})

zidian = tokenizer.get_vocab()

type(zidian),len(zidian),zidian['月光'],zidian['[EOS]']

image-20221017130617248

编码新词

# 编码新词
out = tokenizer.encode(
    text='月光的新希望[EOS]',
    text_pair=None,
    
     #当句子长度大于max_length时,截断
    truncation=True,
    
     
    # 一律补零到max_length长度
    padding='max_length',
    add_special_tokens=True,
    max_length=8,
    return_tensors=None,
)
print(out)
tokenizer.decode(out)

image-20221017130929579

加载Huggingface数据集

因为google访问不了,这里用git的方法把数据下下来,然后再本地加载。

下载

进入官网Hugging Face – The AI community building the future.

点击dataset

image-20221023180923590

输入你要的数据集名称

然后点击这个

image-20221023181107498

选中git,然后copy,到你想要保存的路径,把复制的git代码在命令行中运行,文件下好后不要去打开,也不要去解压里面的东西。

image-20221023181139932

加载

Load (huggingface.co)

找到刚才保存的目录加载数据

from datasets import load_dataset
# 加载
dataset = load_dataset("./data/clone/sst2")
# 保存
dataset.save_to_disk(dataset_dict_path='./data/sst2')

加载数据集

# 加载本地数据集
from datasets import load_from_disk
# from datasets import load_dataset 加载网上的数据集

# 加载数据
dataset = load_from_disk('./data/ChnSentiCorp')
# dataset = load_dataset(path='seamew/ChnSentiCorp',split='train')
dataset

# 保存数据集到磁盘
dataset.save_to_disk(dataset_dict_path='./data/ChnSentiCorp1')
# 查看一个数据
dataset['train'][0]

image-20221017143206273

读写csv格式本地文件

# 导出为csv文件
dataset = dataset['train']
dataset.to_csv(path_or_buf='./data/ChnSentiCrop.csv')

# 加载csv格式数据
csv_dataset = load_dataset(path='csv',
                          data_files='./data/ChnSentiCorp.csv',
                          split='train')
csv_dataset[20]

排序

# sort
# 未排序前
print(dataset['label'][:10])

# 排序后
sorted_dataset = dataset.sort('label')
print(sorted_dataset['label'][:10])
print(sorted_dataset['label'][-10:])

image-20221017145753107

打乱

# shuffle

shuffled_dataset = sorted_dataset.shuffle(seed=42)

shuffled_dataset['label'][:10]

image-20221017145858965

选择

# select 
dataset.select([0,10,20,30])

image-20221017150928721

过滤

# filter
def f(data):
    return data['text'].startswith('选择')

start_with_ar = dataset.filter(f)

len(start_with_ar),start_with_ar['text']

image-20221017150957163

切分

# 切分成训练集和测试集
dataset.train_test_split(test_size=0.1)

image-20221017151223098

分桶

# 把数据切分到4个桶中,均匀分配
dataset.shard(num_shards=4,index=0)

image-20221017151243775

列操作

#rename
dataset.rename_column('text','textA')

image-20221017151514932

#remove_columns
dataset.remove_columns(['text'])

image-20221017151557908

# map
def f(data):
    data['text'] = 'My sentence:' + data['text']
    return data

dataset_map = dataset.map(f)

dataset_map['text'][:5]

image-20221017151753288

保存和加载

dataset.save_to_disk('./')

dataset = load_from_disk("./")

其它格式

# 导出其他格式
dataset.to_csv('./')
dataset.to_json('./')

使用评价函数

查看可用的评价指标

from datasets import list_metrics

# 列出评价指标
metrics_list = list_metrics()

len(metrics_list),metrics_list

image-20221017155812083

实战任务

中文分类

导包

import torch
from datasets import load_from_disk

定义数据集

# 定义数据集 定义dataloader
class Dataset(torch.utils.data.Dataset):
    def __init__(self,name):
        self.dataset = load_from_disk('./data/ChnSentiCorp')[name]
    
    def __len__(self):
        return len(self.dataset)
    
    def __getitem__(self,i):
        text = self.dataset[i]['text']
        label = self.dataset[i]['label']
        
        return text,label
    
dataset = Dataset('train')
len(dataset),dataset[0]

image-20221018081712457

加载tokenizer

# 加载tokenizer
from transformers import BertTokenizer

# 加载字典和分词工具
token = BertTokenizer.from_pretrained('bert-base-chinese')

定义批处理函数

def collate_fn(data):
    sents = [i[0] for i in data]
    labels = [i[1] for i in data]
    
    # 编码
    data = token.batch_encode_plus(batch_text_or_text_pairs=sents,
                                  truncation=True,
                                  padding='max_length',
                                  max_length=500,
                                  return_tensors='pt',
                                  return_length=True)
    
    # input_ids:编码之后的数字
    # attention_mask:补零的位置0,其他位置是1
    input_ids = data['input_ids']
    attention_mask = data['attention_mask']
    token_type_ids = data['token_type_ids']
    labels = torch.LongTensor(labels)
    
    return input_ids,attention_mask,token_type_ids,labels

定义数据加载器

# 数据加载器
loader = torch.utils.data.DataLoader(dataset=dataset,
                                    batch_size=16,
                                    collate_fn=collate_fn,
                                    shuffle=True,
                                    drop_last=True)

for i,(input_ids,attention_mask,token_type_ids,labels) in enumerate(loader):
    break
    
print(len(loader)) # 600
input_ids.shape,attention_mask.shape,token_type_ids.shape,labels

image-20221018081739478

加载bert中文模型

from transformers import BertModel

# 加载预训练模型
pretrained = BertModel.from_pretrained('bert-base-chinese')

# 不训练,不需要计算梯度,这里我们不使用fine-turning,直接把预训练模型的参数给冻住,只训练下游任务模型
# 对预训练模型本身它的参数,我们不调整
for param in pretrained.parameters():
    param.requires_grad_(False)
    
# 模型试算
out = pretrained(input_ids=input_ids,
                attention_mask=attention_mask,
                token_type_ids=token_type_ids)

# 指定每一句话编码成500个词的长度,768是词编码的长度
out.last_hidden_state.shape
# torch.Size([16, 500, 768])

定义下游任务模型

# 下游任务模型
class Model(torch.nn.Module):
    def __init__(self):
        super().__init__()
        self.fc = torch.nn.Linear(768,2)
        
    def forward(self,input_ids,attention_mask,token_type_ids):
        with torch.no_grad():
            # 先拿预训练模型做一个计算,抽取数据中的特征,
            out = pretrained(input_ids=input_ids,
                            attention_mask=attention_mask,
                            token_type_ids=token_type_ids)
        # 把抽取的特征放到全连接网络中去运算,并且只需要第0个词的特征
        out = self.fc(out.last_hidden_state[:,0])
        
        out = out.softmax(dim=1)
        
        return out
    
model = Model()

model(input_ids=input_ids,
     attention_mask=attention_mask,
     token_type_ids=token_type_ids).shape
# torch.Size([16, 2])

训练下游任务模型

# 训练下游任务模型
from transformers import AdamW

# 训练
optimizer = AdamW(model.parameters(),lr=5e-4)
criterion = torch.nn.CrossEntropyLoss()

model.train()

for i,(input_ids,attention_mask,token_type_ids,labels) in enumerate(loader):
    out = model(input_ids=input_ids,
               attention_mask=attention_mask,
               token_type_ids=token_type_ids)
    loss = criterion(out,labels)
    loss.backward()
    optimizer.step()
    optimizer.zero_grad()
    
    if i % 5 == 0:
        out = out.argmax(dim=1)
        accuracy = (out==labels).sum().item() / len(labels)
        
        print(i,loss.item(),accuracy)
    # 只训练了300次,并未把全部数据训练完
    if i == 300:
        break

image-20221018092047701

在训练过程中,我们发现争取率可以达到百分之七八十的样子,这就是使用bert预训练模型抽取特征展现的威力,在以往的NLP上做一个文本分类的任务训练到七八十的正确率,训练量是非常大的,模型往往很难收敛,这里使用bert预训练模型来抽取特征,然后再做下游任务的一个迁移学习的话,可以在非常短的时间内,以一个非常快的速度就能达到一个很高的正确率。

测试

# 测试
def test():
    model.eval()
    correct = 0
    total = 0
    
    loader_test = torch.utils.data.DataLoader(dataset=Dataset('validation'),
                                             batch_size=32,
                                             collate_fn=collate_fn,
                                             shuffle=True,
                                             drop_last=True)
    
    for i,(input_ids,attention_mask,token_type_ids,labels) in enumerate(loader_test):
        if i == 5:
            break
        
        print(i)
        
        with torch.no_grad():
            out = model(input_ids=input_ids,
                       attention_mask=attention_mask,
                       token_type_ids=token_type_ids)
        out = out.argmax(dim=1)
        correct += (out==labels).sum().item()
        total += len(labels)
        
    print(correct / total)
test()

image-20221018125408802

中文分类在GPU上训练

代码

定义设备

def try_gpu(i=0):
    if torch.cuda.device_count() >= i+1:
        return torch.device(f'cuda:{i}')
    return torch.device('cpu')

device = try_gpu()

将预训练模型放在GPU上

from transformers import BertModel

# 加载预训练模型
pretrained = BertModel.from_pretrained('bert-base-chinese')

# GPU
pretrained = pretrained.cuda()

# 不训练,不需要计算梯度,这里我们不使用fine-turning,直接把预训练模型的参数给冻住,只训练下游任务模型
# 对预训练模型本身它的参数,我们不调整
for param in pretrained.parameters():
    param.requires_grad_(False)

将下游模型放在GPU上

# 下游任务模型
class Model(torch.nn.Module):
    def __init__(self):
        super().__init__()
        self.fc = torch.nn.Linear(768,2)
        
    def forward(self,input_ids,attention_mask,token_type_ids):
        with torch.no_grad():
            # GPU
            input_ids = input_ids.cuda()
            attention_mask = attention_mask.cuda()
            token_type_ids = token_type_ids.cuda()
            
            # 先拿预训练模型做一个计算,抽取数据中的特征,
            out = pretrained(input_ids=input_ids,
                            attention_mask=attention_mask,
                            token_type_ids=token_type_ids)
        # 把抽取的特征放到全连接网络中去运算,并且只需要第0个词的特征
        out = self.fc(out.last_hidden_state[:,0])
        
        out = out.softmax(dim=1)
        
        return out
    
model = Model().cuda()

model(input_ids=input_ids,
     attention_mask=attention_mask,
     token_type_ids=token_type_ids).shape

在GPU上训练

# 训练下游任务模型
from transformers import AdamW

# 训练
optimizer = AdamW(model.parameters(),lr=5e-4)
criterion = torch.nn.CrossEntropyLoss().cuda()
start_time = time.time()
model.train()

for i,(input_ids,attention_mask,token_type_ids,labels) in enumerate(loader):
    # GPU
    input_ids = input_ids.cuda()
    attention_mask = attention_mask.cuda()
    token_type_ids = token_type_ids.cuda()
    labels = labels.cuda()
    
    out = model(input_ids=input_ids,
               attention_mask=attention_mask,
               token_type_ids=token_type_ids)
   
    
    loss = criterion(out,labels)
    loss.backward()
    optimizer.step()
    optimizer.zero_grad()
    
    if i % 5 == 0:
        out = out.argmax(dim=1)
        accuracy = (out==labels).sum().item() / len(labels)
        
        print(i,loss.item(),accuracy)
    # 只训练了300次,并未把全部数据训练完
    if i == 100:
        break
end_time = time.time()
print(end_time - start_time)

在GPU上测试

# 测试
def test():
    model.eval()
    correct = 0
    total = 0
    
    loader_test = torch.utils.data.DataLoader(dataset=Dataset('validation'),
                                             batch_size=16,
                                             collate_fn=collate_fn,
                                             shuffle=True,
                                             drop_last=True)
    
    for i,(input_ids,attention_mask,token_type_ids,labels) in enumerate(loader_test):
         # GPU
        input_ids = input_ids.cuda()
        attention_mask = attention_mask.cuda()
        token_type_ids = token_type_ids.cuda()
        labels = labels.cuda()
        
        if i == 5:
            break
        
        print(i)
        
        with torch.no_grad():
            out = model(input_ids=input_ids,
                       attention_mask=attention_mask,
                       token_type_ids=token_type_ids)
        out = out.argmax(dim=1)
        correct += (out==labels).sum().item()
        total += len(labels)
        
    print(correct / total)
start_time = time.time()
test()
end_time = time.time()
print(end_time - start_time)

训练

台式机(GTX1650 super):70°

image-20221018190041149

笔记本(RTX 3050 laptop):73°

image-20221018190001439

测试

台式机(GTX 1650 super):温度上升速度比笔记本慢些

batch_size设为32会报错cuda out of memory

image-20221018190909084

笔记本(RTX 3050 laptop):57°,上升速度非常快

image-20221018190816303

中文填词

导包

import torch
from datasets import load_from_disk

定义数据集

class Dataset(torch.utils.data.Dataset):
    def __init__(self,name):
        dataset = load_from_disk('./data/ChnSentiCorp')[name]
        
        def f(data):
            return len(data['text']) > 30
        
        self.dataset = dataset.filter(f)
    
    def __len__(self):
        return len(self.dataset)
    
    def __getitem__(self,i):
        text = self.dataset[i]['text']
        
        return text
    
dataset = Dataset('train')
len(dataset),dataset[0]

image-20221018142711733

加载tokenizer

from transformers import BertTokenizer

token = BertTokenizer.from_pretrained('bert-base-chinese')

定义批处理函数

def collate_fn(data):
    # 编码
    data = token.batch_encode_plus(batch_text_or_text_pairs=data,
                                  truncation=True,
                                  padding='max_length',
                                  max_length=30,
                                  return_tensors='pt',
                                  return_length=True)
    
    input_ids = data['input_ids']
    attention_mask = data['attention_mask']
    token_type_ids = data['token_type_ids']
    
    # 把第15个词替换为mask
    print(input_ids[:,15])
    labels = input_ids[:,15].reshape(-1).clone()
    input_ids[:,15] = token.get_vocab()[token.mask_token]
    
    return input_ids,attention_mask,token_type_ids,labels
    

定义数据加载器并查看数据样例

# 数据加载器
loader = torch.utils.data.DataLoader(dataset=dataset,
                                    batch_size=16,
                                    collate_fn=collate_fn,
                                    shuffle=True,
                                    drop_last=True)

for i,(input_ids,attention_mask,token_type_ids,labels) in enumerate(loader):
    break

print(len(loader))
print(token.decode(input_ids[0]))
print(token.decode(labels))
input_ids.shape,attention_mask.shape,token_type_ids.shape,labels.shape

image-20221018144758132

加载bert中文模型

from transformers import BertModel

# 加载预训练模型
pretrained = BertModel.from_pretrained('bert-base-chinese')

# 不训练,不需要计算梯度
for param in pretrained.parameters():
    param.requires_grad_(False)
    
# 模型试算
out = pretrained(input_ids=input_ids,
                attention_mask=attention_mask,
                token_type_ids=token_type_ids)

out.last_hidden_state.shape
# torch.Size([16, 30, 768])

定义下游任务

class Model(torch.nn.Module):
    def __init__(self):
        super().__init__()
        self.decoder = torch.nn.Linear(768,token.vocab_size,bias=False)
        self.bias = torch.nn.Parameter(torch.zeros(token.vocab_size))
        self.decoder.bias = self.bias
        
    def forward(self,input_ids,attention_mask,token_type_ids):
        with torch.no_grad():
            out = pretrained(input_ids=input_ids,
                            attention_mask=attention_mask,
                            token_type_ids=token_type_ids)
        out = self.decoder(out.last_hidden_state[:,15])
        
        return out

model = Model()

model(input_ids=input_ids,
     attention_mask=attention_mask,
     token_type_ids=token_type_ids).shape

image-20221018150926878

训练下游任务模型

from transformers import AdamW

# 训练
optimizer = AdamW(model.parameters(),lr=5e-4)
criterion = torch.nn.CrossEntropyLoss()

model.train()
for epoch in range(5):
    for i,(input_ids,attention_mask,token_type_ids,labels) in enumerate(loader):
        out = model(input_ids=input_ids,
                   attention_mask = attention_mask,
                   token_type_ids=token_type_ids)
        loss = criterion(out,labels)
        loss.backward()
        optimizer.step()
        optimizer.zero_grad()
        
        if i % 50 == 0:
            out = out.argmax(dim=1)
            accuracy = (out==labels).sum().item() / len(labels)
            
            print(epoch,i,loss.item(),accuracy)

测试

# 测试
def test():
    model.eval()
    correct = 0
    total = 0
    
    loader_test = torch.utils.data.DataLoader(dataset=Dataset('test'),
                                             batch_size=32,
                                             collate_fn=collate_fn,
                                             shuffle=True,
                                             drop_last=True)
    
    for i,(input_ids,attention_mask,token_type_ids,labels) in enumerate(loader_test):
        
        if i == 15:
            break
        
        print(i)
        
        with torch.no_grad():
            out = model(input_ids=input_ids,attention_mask=attention_mask,token_type_ids=token_type_ids)
        
        out = out.argmax(dim=1)
        correct += (out==labels).sum().item()
        total += len(labels)
        
        print(token.decode(input_ids[0]))
        print(token.decode(labels[0]))
        
test()

image-20221018154744582

中文句子关系推断

定义数据集

import torch
from datasets import load_from_disk
import random


# 定义数据集
class Dataset(torch.utils.data.Dataset):
    def __init__(self,name):
        dataset = load_from_disk('./data/ChnSentiCorp')[name]
        
        def f(data):
            return len(data['text']) > 40
        
        self.dataset = dataset.filter(f)
        
    def __len__(self):
        return len(self.dataset)
    
    def __getitem__(self,i):
        text = self.dataset[i]['text']
        
        # 切分一句话为前半句和后半句
        sentence1 = text[:20]
        sentence2 = text[20:40]
        label = 0
        
        # 有一半的概率把后半句替换为一句无关的话,
        if random.randint(0,1) == 0:
            j = random.randint(0,len(self.dataset)-1)
            sentence2 = self.dataset[j]['text'][20:40]
            label = 1
        
        return setence1,sentence2,label
        

查看数据样例

dataset = Dataset('train')

sentence1,sentence2,label = dataset[0]

len(dataset),sentence1,sentence2,label

image-20221018162806974

加载tokenizer

from transformers import BertTokenizer

# 加载字典和分词工具
token = BertTokenizer.from_pretrained('bert-base-chinese')

token

定义批处理函数

def collate_fn(data):
    sents =[i[:2] for i in data]
    labels = [i[2] for i in data]
    
    # 编码
    data = token.batch_encode_plus(batch_text_or_text_pairs=sents,
                                  truncation=True,
                                  padding='max_length',
                                  max_length=45,
                                  return_tensor='pt',
                                  return_length=True,
                                  add_special_tokens=True)
    
    input_ids = data['input_ids']
    attention_mask = data['attention_mask']
    token_type_ids = data['token_type_ids']
    labels = torch.LongTensor(labels)
    
    return input_ids,attention_mask,token_type_ids,labels

定义数据加载器并查看数据样例

# 数据加载器
loader = torch.utils.data.DataLoader(dataset=dataset,
                                    batch_size=8,
                                    collate_fn=collate_fn,
                                    shuffle=True,
                                    drop_last=True)


for i,(input_ids,attention_mask,token_type_ids,labels) in enumerate(loader):
    break

print(len(loader))
print(token.decode(input_ids[0]))
input_ids.shape,attention_mask.shape,token_type_ids.shape,labels

image-20221018163658892

加载bert中文模型

from transformers import BertModel

# 加载预训练模型
pretrained = BertModel.from_pretrained('bert-base-chinese')

# 不训练,不需要计算梯度
for param in pretrained.parameters():
    param.requires_grad_(False)

# 模型试算
out = pretrained(input_ids=input_ids,
                attention_mask=attention_mask,
                token_type_ids=token_type_ids)

out.last_hidden_state.shape

# torch.Size([8, 45, 768])

定义下游任务模型

class Model(torch.nn.Module):
    def __init__(self):
        super().__init__()
        self.fc = torch.nn.Linear(768,2)
        
    def forward(self,input_ids,attention_mask,token_type_ids):
        with torch.no_grad():
            # 先拿预训练模型做一个计算,抽取数据中的特征,
            out = pretrained(input_ids=input_ids,
                            attention_mask=attention_mask,
                            token_type_ids=token_type_ids)
        # 把抽取的特征放到全连接网络中去运算,并且只需要第0个词的特征
        out = self.fc(out.last_hidden_state[:,0])
        
        out = out.softmax(dim=1)
        
        return out
    
model = Model()

model(input_ids=input_ids,
     attention_mask=attention_mask,
     token_type_ids=token_type_ids).shape
# torch.Size([8, 2])

训练下游任务

# 训练下游任务模型
from transformers import AdamW

# 训练
optimizer = AdamW(model.parameters(),lr=5e-4)
criterion = torch.nn.CrossEntropyLoss()

model.train()

for i,(input_ids,attention_mask,token_type_ids,labels) in enumerate(loader):
    out = model(input_ids=input_ids,
               attention_mask=attention_mask,
               token_type_ids=token_type_ids)
    loss = criterion(out,labels)
    loss.backward()
    optimizer.step()
    optimizer.zero_grad()
    
    if i % 5 == 0:
        out = out.argmax(dim=1)
        accuracy = (out==labels).sum().item() / len(labels)
        
        print(i,loss.item(),accuracy)
    # 只训练了300次,并未把全部数据训练完
    if i == 300:
        break

测试

# 测试
def test():
    model.eval()
    correct = 0
    total = 0
    
    loader_test = torch.utils.data.DataLoader(dataset=Dataset('validation'),
                                             batch_size=32,
                                             collate_fn=collate_fn,
                                             shuffle=True,
                                             drop_last=True)
    
    for i,(input_ids,attention_mask,token_type_ids,labels) in enumerate(loader_test):
        if i == 5:
            break
        
        print(i)
        
        with torch.no_grad():
            out = model(input_ids=input_ids,
                       attention_mask=attention_mask,
                       token_type_ids=token_type_ids)
        out = out.argmax(dim=1)
        correct += (out==labels).sum().item()
        total += len(labels)
        
    print(correct / total)
test()

image-20221018164833734

posted @ 2022-10-19 12:05  放学别跑啊  阅读(956)  评论(0编辑  收藏  举报