Dostrajanie modeli za pomocą Trainer

Efektywne trenowanie modeli AI z PyTorch

Dennis Lee

Data Engineer, Amazon

Przygotowanie danych

Diagram treningu rozproszonego przedstawiający replikację modelu i sharding danych.

Trening rozproszony

Schemat blokowy ilustrujący tematy kursu: przygotowanie danych, trening rozproszony, efektywny trening i optymalizatory.

Trainer i Accelerator

Wykres porównujący łatwość użycia i możliwości dostosowania dla Accelerator i Trainer.

Trainer i Accelerator

Wykres porównujący łatwość użycia i możliwości dostosowania dla Accelerator i Trainer.

Przyspiesz trening z Trainer

Biblioteka Trainer
```
from transformers import Trainer
```
Uruchamiaj model równolegle na każdym urządzeniu
Przyspiesz trening jak linia montażowa
Przejrzyj dane wejściowe: zbiór danych, model, metryki
Opracuj analizę sentymentu dla e-commerce

Zdjęcie produkcji samochodów na linii montażowej ilustrujące koncepcję przetwarzania równoległego.

Zbiór danych z sentymentem recenzji produktów

print(dataset)

DatasetDict({
    train: Dataset({
        features: ['Text', 'Label'],
        num_rows: 1000
    }), ...})

print(f'"{dataset["train"]["Text"][0]}": {dataset["train"]["Label"][0]}')

"I love this product!": positive

Konwersja etykiet na liczby całkowite

def map_labels(example):
    if example["Label"] == "negative":
        return {"labels": 0}

    else:
        return {"labels": 1}

dataset = dataset.map(map_labels)

print(f'First label: {dataset["train"]["labels"][0]}')

First label: 1

Definiowanie tokenizera i modelu

Załaduj wstępnie wytrenowany model i tokenizer:

model = AutoModelForSequenceClassification.from_pretrained("distilbert-base-uncased", 
                                                           num_labels=2)

tokenizer = AutoTokenizer.from_pretrained("distilbert-base-uncased")

Zastosuj tokenizer do pola text:

def encode(examples):

    return tokenizer(examples["Text"], padding="max_length", truncation=True, 
                      return_tensors="pt")

dataset = dataset.map(encode, batched=True)

print(f'The first tokenized review is {dataset["train"]["input_ids"][0]}.')

The first tokenized review is [101, 1045, 2293, 2023, 4031, 999, 102].

Definiowanie metryk ewaluacji

import evaluate


def compute_metrics(eval_predictions):

    load_accuracy = evaluate.load("accuracy")
    load_f1 = evaluate.load("f1")

    logits, labels = eval_predictions

    predictions = np.argmax(logits, axis=-1)

    accuracy = load_accuracy.compute(predictions=predictions, references=labels)[
        "accuracy"
    ]

    f1 = load_f1.compute(predictions=predictions, references=labels)["f1"]

    return {"accuracy": accuracy, "f1": f1}

Argumenty treningu

output_dir: Miejsce zapisu modelu
Określ hiperparametry (np. learning_rate i weight_decay)
save_strategy: Zapis po każdej epoce
evaluation_strategy: Ewaluacja po każdej epoce

from transformers import (
    TrainingArguments)

training_args = TrainingArguments(
    output_dir="output_folder",

    learning_rate=2e-5,
    per_device_train_batch_size=16,
    per_device_eval_batch_size=16,
    num_train_epochs=2,
    weight_decay=0.01,

    save_strategy="epoch",
    evaluation_strategy="epoch",
)

Konfiguracja Trainer

from transformers import Trainer

trainer = Trainer(model=model,

                  args=training_args,

                  train_dataset=dataset["train"],
                  eval_dataset=dataset["validation"],

                  compute_metrics=compute_metrics)

trainer.train()

{'epoch': 1.0, 'eval_loss': 0.79, 'eval_accuracy': 0.00, 'eval_f1': 0.00}
{'epoch': 2.0, 'eval_loss': 0.65, 'eval_accuracy': 0.11, 'eval_f1': 0.15}

print(trainer.args.device)

cpu

Analiza sentymentu w e-commerce

sample_review = "This product is amazing!"

input_ids = tokenizer.encode(sample_review, return_tensors='pt')
print(f"Tokenized review: {input_ids}")

Tokenized review: tensor([[ 101, 2023, 4031, 2003, 6429,  999,  102 ]])

Analiza sentymentu w e-commerce

output = model(input_ids)
print(f"Output logits: {output.logits}")

Output logits: tensor([[ -0.0538, 0.1300 ]])

predicted_label = torch.argmax(output.logits, dim=1).item()
print(f"Predicted label: {predicted_label}")

Predicted label: 1

sentiment = "Negative" if predicted_label == 0 else "Positive"
print(f'The sentiment of the product review is "{sentiment}."')

The sentiment of the product review is "Positive."

Punkty kontrolne w Trainer

Wznów od ostatniego punktu kontrolnego, jak wznowienie filmu

trainer.train(resume_from_checkpoint=True)

{'epoch': 3.0, 'eval_loss': 0.29, 'eval_accuracy': 0.37, 'eval_f1': 0.51}
{'epoch': 4.0, 'eval_loss': 0.23, 'eval_accuracy': 0.46, 'eval_f1': 0.58}

Wznów od konkretnego punktu kontrolnego zapisanego w katalogu wyjściowym

trainer.train(resume_from_checkpoint="model/checkpoint-1000")

Czas na ćwiczenia!

Efektywne trenowanie modeli AI z PyTorch