IA3
IA3 将模型的激活值(自注意力和编码器-解码器注意力块中的键和值,以及位置感知前馈网络的中间激活值)乘以三个学习到的向量。这种 PEFT 方法引入的可训练参数数量甚至少于 LoRA,LoRA 引入的是权重矩阵而不是向量。原始模型的参数保持冻结,只有这些向量被更新。因此,针对新的下游任务进行微调的速度更快、成本更低且效率更高。
本指南将向您展示如何使用 IA3 训练一个序列到序列模型,以根据一些金融新闻生成情感。
对序列到序列训练的一般过程有一定的了解将非常有帮助,并能让您专注于如何应用 IA3。如果您是新手,我们建议您先查看 Transformers 文档中的翻译和摘要指南。准备就绪后,回来看看将 PEFT 应用到您的训练中是多么容易!
数据集
您将使用 financial_phrasebank 数据集的 sentences_allagree 子集。此子集包含金融新闻,且所有标注者对情感标签都达成 100% 的一致意见。查看 数据集查看器,以便更好地了解您将要处理的数据和句子。
使用 load_dataset 函数加载数据集。数据集的此子集仅包含训练集拆分,因此使用 train_test_split
函数创建训练集和验证集拆分。创建一个新的 text_label
列,以便更容易理解 label
值 0
、1
和 2
的含义。
from datasets import load_dataset
ds = load_dataset("financial_phrasebank", "sentences_allagree")
ds = ds["train"].train_test_split(test_size=0.1)
ds["validation"] = ds["test"]
del ds["test"]
classes = ds["train"].features["label"].names
ds = ds.map(
lambda x: {"text_label": [classes[label] for label in x["label"]]},
batched=True,
num_proc=1,
)
ds["train"][0]
{'sentence': 'It will be operated by Nokia , and supported by its Nokia NetAct network and service management system .',
'label': 1,
'text_label': 'neutral'}
加载分词器并创建一个预处理函数,该函数
- 将输入进行分词,并将序列填充和截断到
max_length
- 对标签应用相同的分词器,但使用与标签对应的较短
max_length
- 屏蔽填充标记
from transformers import AutoTokenizer
text_column = "sentence"
label_column = "text_label"
max_length = 128
tokenizer = AutoTokenizer.from_pretrained("bigscience/mt0-large")
def preprocess_function(examples):
inputs = examples[text_column]
targets = examples[label_column]
model_inputs = tokenizer(inputs, max_length=max_length, padding="max_length", truncation=True, return_tensors="pt")
labels = tokenizer(targets, max_length=3, padding="max_length", truncation=True, return_tensors="pt")
labels = labels["input_ids"]
labels[labels == tokenizer.pad_token_id] = -100
model_inputs["labels"] = labels
return model_inputs
使用 map 函数将预处理函数应用于整个数据集。
processed_ds = ds.map(
preprocess_function,
batched=True,
num_proc=1,
remove_columns=ds["train"].column_names,
load_from_cache_file=False,
desc="Running tokenizer on dataset",
)
创建一个训练和评估 DataLoader
,如果数据集样本在 CPU 上,则设置 pin_memory=True
以加快训练期间数据传输到 GPU 的速度。
from torch.utils.data import DataLoader
from transformers import default_data_collator
train_ds = processed_ds["train"]
eval_ds = processed_ds["validation"]
batch_size = 8
train_dataloader = DataLoader(
train_ds, shuffle=True, collate_fn=default_data_collator, batch_size=batch_size, pin_memory=True
)
eval_dataloader = DataLoader(eval_ds, collate_fn=default_data_collator, batch_size=batch_size, pin_memory=True)
模型
现在,您可以加载一个预训练模型,将其用作 IA3 的基础模型。本指南使用 bigscience/mt0-large 模型,但您可以使用任何您喜欢的序列到序列模型。
from transformers import AutoModelForSeq2SeqLM
model = AutoModelForSeq2SeqLM.from_pretrained("bigscience/mt0-large")
PEFT 配置和模型
所有 PEFT 方法都需要一个配置,其中包含并指定了 PEFT 方法应如何应用的所有参数。使用 IA3Config 创建一个任务类型并将其推理模式设置为 False
。您可以在 API 参考 中找到此配置的其他参数。
调用 print_trainable_parameters() 方法以比较 PeftModel 的可训练参数数量与基础模型中的参数数量!
设置配置后,将其与基础模型一起传递给 get_peft_model() 函数,以创建一个可训练的 PeftModel。
from peft import IA3Config, get_peft_model
peft_config = IA3Config(task_type="SEQ_2_SEQ_LM")
model = get_peft_model(model, peft_config)
model.print_trainable_parameters()
"trainable params: 282,624 || all params: 1,229,863,936 || trainable%: 0.022980103060766553"
训练
设置优化器和学习率调度器。
import torch
from transformers import get_linear_schedule_with_warmup
lr = 8e-3
num_epochs = 3
optimizer = torch.optim.AdamW(model.parameters(), lr=lr)
lr_scheduler = get_linear_schedule_with_warmup(
optimizer=optimizer,
num_warmup_steps=0,
num_training_steps=(len(train_dataloader) * num_epochs),
)
将模型移动到 GPU 并创建一个训练循环,该循环报告每个 epoch 的损失和困惑度。
from tqdm import tqdm
device = "cuda"
model = model.to(device)
for epoch in range(num_epochs):
model.train()
total_loss = 0
for step, batch in enumerate(tqdm(train_dataloader)):
batch = {k: v.to(device) for k, v in batch.items()}
outputs = model(**batch)
loss = outputs.loss
total_loss += loss.detach().float()
loss.backward()
optimizer.step()
lr_scheduler.step()
optimizer.zero_grad()
model.eval()
eval_loss = 0
eval_preds = []
for step, batch in enumerate(tqdm(eval_dataloader)):
batch = {k: v.to(device) for k, v in batch.items()}
with torch.no_grad():
outputs = model(**batch)
loss = outputs.loss
eval_loss += loss.detach().float()
eval_preds.extend(
tokenizer.batch_decode(torch.argmax(outputs.logits, -1).detach().cpu().numpy(), skip_special_tokens=True)
)
eval_epoch_loss = eval_loss / len(eval_dataloader)
eval_ppl = torch.exp(eval_epoch_loss)
train_epoch_loss = total_loss / len(train_dataloader)
train_ppl = torch.exp(train_epoch_loss)
print(f"{epoch=}: {train_ppl=} {train_epoch_loss=} {eval_ppl=} {eval_epoch_loss=}")
分享您的模型
训练完成后,您可以使用 push_to_hub 方法将模型上传到 Hub。您需要先登录您的 Hugging Face 帐户,并在提示时输入您的令牌。
from huggingface_hub import notebook_login
account = <your-hf-account-name>
peft_model_id = f"{account}/mt0-large-ia3"
model.push_to_hub(peft_model_id)
推理
要加载用于推理的模型,请使用 from_pretrained() 方法。我们还可以从数据集中加载一句金融新闻,以生成其情感。
from peft import AutoPeftModelForSeq2SeqLM
model = AutoPeftModelForSeq2SeqLM.from_pretrained("<your-hf-account-name>/mt0-large-ia3").to("cuda")
tokenizer = AutoTokenizer.from_pretrained("bigscience/mt0-large")
i = 15
inputs = tokenizer(ds["validation"][text_column][i], return_tensors="pt")
print(ds["validation"][text_column][i])
"The robust growth was the result of the inclusion of clothing chain Lindex in the Group in December 2007 ."
调用 generate 方法以生成预测的情感标签。
with torch.no_grad():
inputs = {k: v.to(device) for k, v in inputs.items()}
outputs = model.generate(input_ids=inputs["input_ids"], max_new_tokens=10)
print(tokenizer.batch_decode(outputs.detach().cpu().numpy(), skip_special_tokens=True))
['positive']