在 AWS Trainium 上微调 BERT 进行文本分类

该教程有一个 notebook 版本，点击这里.

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，加载和微调用于文本分类的 transformers 模型

您将学习如何

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

在开始之前，请确保您拥有一个 Hugging Face 帐户以保存工件和实验。

快速介绍：AWS Trainium

AWS Trainium (Trn1) 是专为深度学习 (DL) 训练工作负载构建的 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，可节省高达 50% 的训练成本。

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

最大的 Trainium 实例 trn1.32xlarge 配备超过 500GB 的内存，可以轻松地在单个实例上微调约 100 亿参数的模型。下面您将找到可用实例类型的概述。更多详细信息请点击这里

实例大小	加速器数量	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

现在我们了解了 Trainium 提供的功能，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，它具有 1 个加速器，包括两个 Neuron Core 和 Hugging Face Neuron 深度学习 AMI。

这篇博文没有详细介绍如何创建实例。您可以查看我之前的博文 “为 Hugging Face Transformers 设置 AWS Trainium”，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 ssh 进入它。但是，我们不想在终端中进行开发，而是想使用 Jupyter 环境，我们可以使用它来准备数据集和启动训练。为此，我们需要在 ssh 命令中添加一个端口转发，这将把我们的 localhost 流量隧道传输到 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

我们现在可以启动 jupyter 服务器。

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

您应该看到熟悉的 jupyter 输出，其中包含指向 notebook 的 URL。

http://localhost: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。

我们将仅使用 Jupyter 环境来准备数据集，然后使用 torchrun 在两个神经元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 notebook 并开始吧。

2. 加载和处理数据集

我们正在 emotion 数据集上训练文本分类模型，以使示例保持简单。emotion 是一个包含英语 Twitter 消息的数据集，具有六种基本情感：愤怒、恐惧、喜悦、爱、悲伤和惊讶。

我们将使用 🤗 Datasets 库中的 load_dataset() 方法来加载 emotion。

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

让我们看一个数据集的示例。

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}

我们必须将我们的“自然语言”转换为 token ID 才能训练我们的模型。这由 Tokenizer 完成，Tokenizer 对输入进行标记化（包括将 token 转换为预训练词汇表中相应的 ID）。如果您想了解更多相关信息，请查看 Hugging Face 课程的第 6 章。

我们的 Neuron 加速器需要固定形状的输入。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 Trainer 和 TrainingArguments 来微调基于 PyTorch 的 transformer 模型。

但是，我们与 AWS 共同开发了 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 还配备了模型缓存，这使我们能够使用 Hugging Face Hub 中的预编译模型和配置来跳过编译步骤，而编译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。

NeuronTrainer 是 optimum-neuron 库的一部分，可以作为 Trainer 的一对一替代品使用。您只需要在训练脚本中调整导入即可。

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

我们根据 “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。下面是一个摘录

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，或者从这里手动将其复制到 notebook 中。

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

我们将使用 torchrun 在两个神经元核心上启动我们的训练脚本以进行分布式训练。torchrun 是一种工具，可自动将 PyTorch 模型分布在多个加速器上。我们可以将加速器数量作为 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：如果您看到非常糟糕的准确率，您可能需要暂时停用 bf16。

9 分钟后，训练完成，并取得了 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一点是，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 20ct (1.34 美元/小时 * 0.15 小时 = 0.20 美元)

AWS Trainium & Inferentia

在 AWS Trainium 上微调 BERT 进行文本分类

快速介绍：AWS Trainium

1. 设置 AWS 环境

2. 加载和处理数据集

3. 使用 Hugging Face Transformers 微调 BERT