AWS Trainium & Inferentia 文档

在 AWS Trainium 上微调 BERT 用于文本分类

Hugging Face's logo
加入 Hugging Face 社区

并获得增强型文档体验

开始使用

在 AWS Trainium 上微调 BERT 用于文本分类

此教程的笔记本版本在此.

本教程将帮助您开始使用AWS Trainium 和 Hugging Face Transformers。它将涵盖如何在 AWS 上设置 Trainium 实例,以及如何加载和微调用于文本分类的转换器模型。

您将学习如何

  1. 设置 AWS 环境
  2. 加载和处理数据集
  3. 使用 Hugging Face Transformers 和 Optimum Neuron 微调 BERT

在开始之前,请确保您拥有Hugging Face 帐户 以保存工件和实验。

快速介绍:AWS Trainium

AWS Trainium (Trn1) 是一种专为深度学习 (DL) 训练工作负载而设计的 EC2。Trainium 是AWS Inferentia 的继任者,专注于高性能训练工作负载,声称与同类基于 GPU 的实例相比,训练成本可节省高达 50%。

Trainium 已针对自然语言处理、计算机视觉和推荐模型的训练进行了优化。加速器支持多种数据类型,包括 FP32、TF32、BF16、FP16、UINT8 和可配置的 FP8。

最大的 Trainium 实例,即trn1.32xlarge,拥有超过 500GB 的内存,可以轻松地在单个实例上微调约 100 亿个参数的模型。您可以在下面找到可用实例类型的概述。更多详细信息在此

实例大小 加速器 加速器内存 vCPU CPU 内存 每小时价格
trn1.2xlarge 1 32 8 32 $1.34
trn1.32xlarge 16 512 128 512 $21.50
trn1n.32xlarge(2 倍带宽) 16 512 128 512 $24.78

现在我们知道 Trainium 提供了什么,让我们开始吧。🚀

注意:本教程是在 trn1.2xlarge AWS EC2 实例上创建的。

1. 设置 AWS 环境

在本示例中,我们将使用 AWS 上的trn1.2xlarge 实例,该实例具有 1 个加速器(包括两个 Neuron 核心)和Hugging Face Neuron 深度学习 AMI

此博文不会详细介绍如何创建实例。您可以查看我之前关于“为 Hugging Face Transformers 设置 AWS Trainium”的博文,其中包含有关设置环境的分步指南。

实例启动并运行后,我们可以通过 ssh 连接到它。但我们不希望在终端内进行开发,而是希望使用Jupyter环境,我们可以用它来准备数据集并启动训练。为此,我们需要在ssh命令中添加一个端口进行转发,这将把我们的本地主机流量隧道到 Trainium 实例。

PUBLIC_DNS="" # IP address, e.g. ec2-3-80-....
KEY_PATH="" # local path to key, e.g. ssh/trn.pem

ssh -L 8080:localhost:8080 -i ${KEY_NAME}.pem ubuntu@$PUBLIC_DNS

现在我们可以启动我们的jupyter服务器。

python -m notebook --allow-root --port=8080

您应该会看到熟悉的jupyter输出,其中包含指向笔记本的 URL。

https://127.0.0.1:8080/?token=8c1739aff1755bd7958c4cfccc8d08cb5da5234f61f129a9

我们可以点击它,然后在我们的本地浏览器中打开一个jupyter环境。

jupyter.webp

我们将仅使用 Jupyter 环境来准备数据集,然后使用torchrun在两个 Neuron 核心上启动我们的训练脚本以进行分布式训练。让我们创建一个新的笔记本并开始吧。

2. 加载和处理数据集

我们正在使用 emotion 数据集训练一个文本分类模型,以保持示例简单。emotion 数据集包含英文 Twitter 消息,并标注了六种基本情绪:愤怒、恐惧、快乐、爱、悲伤和惊讶。

我们将使用来自 🤗 Datasets 库的 load_dataset() 方法加载 emotion 数据集。

from datasets import load_dataset

# Dataset id from huggingface.co/dataset
dataset_id = "philschmid/emotion"

# Load raw dataset
raw_dataset = load_dataset(dataset_id)

print(f"Train dataset size: {len(raw_dataset['train'])}")
print(f"Test dataset size: {len(raw_dataset['test'])}")

# Train dataset size: 16000
# Test dataset size: 2000

让我们查看数据集的一个示例。

from random import randrange

random_id = randrange(len(raw_dataset['train']))
raw_dataset['train'][random_id]
# {'text': 'i feel isolated and alone in my trade', 'label': 0}

为了训练我们的模型,我们必须将“自然语言”转换为标记 ID。这可以通过分词器 (Tokenizer) 来完成,分词器会对输入进行分词(包括将标记转换为预训练词汇表中对应的 ID)。如果您想了解更多信息,请参阅 Hugging Face 课程第 6 章

我们的 Neuron 加速器期望输入具有固定的形状。我们需要将所有样本截断或填充到相同的长度。

from transformers import AutoTokenizer
import os
# Model id to load the tokenizer
model_id = "bert-base-uncased"
save_dataset_path = "lm_dataset"
# Load Tokenizer
tokenizer = AutoTokenizer.from_pretrained(model_id)

# Tokenize helper function
def tokenize(batch):
    return tokenizer(batch['text'], padding='max_length', truncation=True,return_tensors="pt")

# Tokenize dataset
raw_dataset =  raw_dataset.rename_column("label", "labels") # to match Trainer
tokenized_dataset = raw_dataset.map(tokenize, batched=True, remove_columns=["text"])
tokenized_dataset = tokenized_dataset.with_format("torch")

# save dataset to disk
tokenized_dataset["train"].save_to_disk(os.path.join(save_dataset_path,"train"))
tokenized_dataset["test"].save_to_disk(os.path.join(save_dataset_path,"eval"))

3. 使用 Hugging Face Transformers 微调 BERT

通常,您会使用 TrainerTrainingArguments 来微调基于 PyTorch 的 Transformer 模型。

但与 AWS 合作,我们开发了 NeuronTrainer,以提高在 Trainium 或 Inferentia2 实例上训练时的性能、鲁棒性和安全性。NeuronTrainer 还带有一个 模型缓存,它允许我们使用 Hugging Face Hub 上的预编译模型和配置来跳过编译步骤,该步骤在训练开始时是必需的。这可以将训练时间缩短约 3 倍。

NeuronTraineroptimum-neuron 库的一部分,可以用作 Trainer 的 1 对 1 替换。您只需调整训练脚本中的导入即可。

- from transformers import Trainer, TrainingArguments
+ from optimum.neuron import NeuronTrainer as Trainer
+ from optimum.neuron import NeuronTrainingArguments as TrainingArguments

我们基于 “Pytorch 2.0 和 Hugging Face Transformers 入门” 博文,使用 NeuronTrainer 准备了一个简单的 train.py 训练脚本。以下是摘录

from transformers import TrainingArguments
from optimum.neuron import NeuronTrainer as Trainer

def parse_args():
	...

def training_function(args):

    # load dataset from disk and tokenizer
    train_dataset = load_from_disk(os.path.join(args.dataset_path, "train"))
		...

    # Download the model from huggingface.co/models
    model = AutoModelForSequenceClassification.from_pretrained(
        args.model_id, num_labels=num_labels, label2id=label2id, id2label=id2label
    )

    training_args = TrainingArguments(
			...
    )

    # Create Trainer instance
    trainer = Trainer(
        model=model,
        args=training_args,
        train_dataset=train_dataset,
        eval_dataset=eval_dataset,
        compute_metrics=compute_metrics,
    )

    # Start training
    trainer.train()

我们可以使用 wget 命令将训练脚本加载到我们的环境中,或者从 此处 手动将其复制到笔记本中。

!wget https://raw.githubusercontent.com/huggingface/optimum-neuron/main/notebooks/text-classification/scripts/train.py

我们将使用 torchrun 在两个 Neuron 核心上启动训练脚本以进行分布式训练。torchrun 是一种工具,可以自动将 PyTorch 模型分布到多个加速器上。我们可以将加速器的数量作为 nproc_per_node 参数与我们的超参数一起传递。

我们将使用以下命令启动训练

!torchrun --nproc_per_node=2 train.py \
 --model_id bert-base-uncased \
 --dataset_path lm_dataset \
 --lr 5e-5 \
 --per_device_train_batch_size 16 \
 --bf16 True \
 --epochs 3

注意:如果您看到精度很低,您可能需要暂时停用 bf16

9 分钟后,训练完成并获得了 0.914 的出色 F1 分数。

***** train metrics *****
  epoch                    =        3.0
  train_runtime            =    0:08:30
  train_samples            =      16000
  train_samples_per_second =     96.337

***** eval metrics *****
  eval_f1                  =      0.914
  eval_runtime             =    0:00:08

最后但并非最不重要的是,终止 EC2 实例以避免不必要的费用。从性价比来看,我们的训练仅花费了 20 美分1.34 美元/小时 * 0.15 小时 = 0.20 美元