Transformers 文档
回调
并获得增强的文档体验
开始使用
回调
回调是可以在 PyTorch Trainer 中自定义训练循环行为的对象(此功能尚未在 TensorFlow 中实现),它可以检查训练循环状态(用于进度报告、在 TensorBoard 或其他 ML 平台上记录日志……)并做出决策(如提前停止)。
除了它们返回的 TrainerControl 对象之外,回调是“只读”代码片段,它们无法更改训练循环中的任何内容。对于需要在训练循环中进行更改的自定义,您应该继承 Trainer 并覆盖您需要的方法(请参阅 trainer 获取示例)。
默认情况下,TrainingArguments.report_to
设置为 "all"
,因此 Trainer 将使用以下回调。
- DefaultFlowCallback,它处理日志记录、保存和评估的默认行为。
- PrinterCallback 或 ProgressCallback 以显示进度并打印日志(如果您通过 TrainingArguments 停用 tqdm,则使用第一个,否则使用第二个)。
- 如果可以访问 tensorboard(通过 PyTorch >= 1.4 或 tensorboardX),则使用 TensorBoardCallback。
- 如果安装了 wandb,则使用 WandbCallback。
- 如果安装了 comet_ml,则使用 CometCallback。
- 如果安装了 mlflow,则使用 MLflowCallback。
- 如果安装了 neptune,则使用 NeptuneCallback。
- 如果安装了 azureml-sdk,则使用 AzureMLCallback。
- 如果安装了 codecarbon,则使用 CodeCarbonCallback。
- 如果安装了 clearml,则使用 ClearMLCallback。
- 如果安装了 dagshub,则使用 DagsHubCallback。
- 如果安装了 flyte,则使用 FlyteCallback。
- 如果安装了 dvclive,则使用 DVCLiveCallback。
- 如果安装了 swanlab,则使用 SwanLabCallback。
如果安装了某个包,但您不希望使用随附的集成,则可以将 TrainingArguments.report_to
更改为仅包含您想要使用的集成的列表(例如,["azure_ml", "wandb"]
)。
实现回调的主类是 TrainerCallback。它获取用于实例化 Trainer 的 TrainingArguments,可以通过 TrainerState 访问该 Trainer 的内部状态,并且可以通过 TrainerControl 对训练循环执行某些操作。
可用的回调
以下是库中可用的 TrainerCallback 列表
一个 TrainerCallback,用于将日志发送到 Comet ML。
设置可选的 Comet 集成。
环境
- COMET_MODE (
str
, 可选, 默认为get_or_create
):控制是创建新的 Comet 实验并记录日志,还是附加到现有实验。它接受以下值get_or_create
:根据是否设置了COMET_EXPERIMENT_KEY
以及是否已存在具有该键的实验来自动决定。create
:始终创建新的 Comet 实验。get
:始终尝试附加到现有 Comet 实验。需要设置COMET_EXPERIMENT_KEY
。ONLINE
:已弃用,用于创建在线实验。请改用COMET_START_ONLINE=1
。OFFLINE
:已弃用,用于创建离线实验。请改用COMET_START_ONLINE=0
。DISABLED
:已弃用,用于禁用 Comet 日志记录。请改用--report_to
标志来控制用于记录结果的集成。
- COMET_PROJECT_NAME (
str
, 可选):Comet 项目实验名称。 - COMET_LOG_ASSETS (
str
, 可选, 默认为TRUE
):是否将训练资产(tf 事件日志、检查点等)记录到 Comet。可以是TRUE
或FALSE
。
有关环境中许多可配置项的信息,请参阅此处。
一个 TrainerCallback,用于处理训练循环中日志、评估和检查点的默认流程。
一个简单的 TrainerCallback,仅打印日志。
一个 TrainerCallback,用于显示训练或评估的进度。您可以修改 max_str_len
以控制记录日志时字符串被截断的长度。
class transformers.EarlyStoppingCallback
< source >( early_stopping_patience: int = 1 early_stopping_threshold: typing.Optional[float] = 0.0 )
一个 TrainerCallback,用于处理提前停止。
此回调依赖于 TrainingArguments 参数 load_best_model_at_end 功能,以在 TrainerState 中设置 best_metric。请注意,如果 TrainingArguments 参数 save_steps 与 eval_steps 不同,则提前停止将不会发生,直到下一个保存步骤。
class transformers.integrations.TensorBoardCallback
< source >( tb_writer = None )
一个 TrainerCallback,用于将日志发送到 TensorBoard。
一个 TrainerCallback,用于将指标、媒体、模型检查点记录到 Weight and Biases。
设置可选的 Weights & Biases (wandb) 集成。
可以子类化并重写此方法以自定义设置(如果需要)。 更多信息请见 此处。 您还可以覆盖以下环境变量
环境
WANDB_LOG_MODEL (
str
, 可选, 默认为"false"
): 是否在训练期间记录模型和检查点。 可以是"end"
,"checkpoint"
或"false"
。 如果设置为"end"
,模型将在训练结束时上传。 如果设置为"checkpoint"
,检查点将在每次args.save_steps
时上传。 如果设置为"false"
,模型将不会上传。 与load_best_model_at_end()
一起使用以上传最佳模型。在 5.0 版本中已弃用
在 🤗 Transformers 的版本 5 中,将
WANDB_LOG_MODEL
设置为bool
类型将被弃用。WANDB_WATCH (
str
, 可选 默认为"false"
): 可以是"gradients"
,"all"
,"parameters"
, 或"false"
。 设置为"all"
以记录梯度和参数。WANDB_PROJECT (
str
, 可选, 默认为"huggingface"
): 将其设置为自定义字符串以将结果存储在不同的项目中。WANDB_DISABLED (
bool
, 可选, 默认为False
): 是否完全禁用 wandb。 设置WANDB_DISABLED=true
以禁用。
一个 TrainerCallback,用于将日志发送到 MLflow。 可以通过设置环境变量 DISABLE_MLFLOW_INTEGRATION = TRUE
来禁用。
设置可选的 MLflow 集成。
环境
- HF_MLFLOW_LOG_ARTIFACTS (
str
, 可选): 是否使用 MLflow 的.log_artifact()
功能来记录工件。 这仅在记录到远程服务器(例如 s3 或 GCS)时才有意义。 如果设置为True
或 1,则会在每次保存在 TrainingArguments 的output_dir
中的检查点时,将每个保存的检查点复制到本地或远程工件存储。 在没有远程存储的情况下使用它只会将文件复制到您的工件位置。 - MLFLOW_TRACKING_URI (
str
, 可选): 是否将运行存储在特定路径或远程服务器上。 默认未设置,这将完全跳过设置跟踪 URI。 - MLFLOW_EXPERIMENT_NAME (
str
, 可选, 默认为None
): 是否使用 MLflow experiment_name,在该 experiment_name 下启动运行。 默认为None
,这将指向 MLflow 中的Default
实验。 否则,它是要激活的实验的区分大小写的名称。 如果具有此名称的实验不存在,则会创建一个具有此名称的新实验。 - MLFLOW_TAGS (
str
, 可选): 要添加到 MLflow 运行中作为标签的键/值对字典的字符串转储。 示例:os.environ['MLFLOW_TAGS']='{"release.candidate": "RC1", "release.version": "2.2.0"}'
。 - MLFLOW_NESTED_RUN (
str
, 可选): 是否使用 MLflow 嵌套运行。 如果设置为True
或 1,将在当前运行内部创建一个嵌套运行。 - MLFLOW_RUN_ID (
str
, 可选): 允许重新连接到现有运行,这在从检查点恢复训练时非常有用。 当设置MLFLOW_RUN_ID
环境变量时,start_run
会尝试恢复具有指定运行 ID 的运行,并且其他参数将被忽略。 - MLFLOW_FLATTEN_PARAMS (
str
, 可选, 默认为False
): 是否在记录之前展平参数字典。 - MLFLOW_MAX_LOG_PARAMS (
int
, 可选): 设置运行中要记录的最大参数数量。
一个 TrainerCallback,用于将日志发送到 AzureML。
一个 TrainerCallback,用于跟踪训练的二氧化碳排放量。
class transformers.integrations.NeptuneCallback
< source >( api_token: typing.Optional[str] = None project: typing.Optional[str] = None name: typing.Optional[str] = None base_namespace: str = 'finetuning' run = None log_parameters: bool = True log_checkpoints: typing.Optional[str] = None **neptune_run_kwargs )
参数
- api_token (
str
, 可选) — 注册后获得的 Neptune API 令牌。 如果您已将令牌保存到NEPTUNE_API_TOKEN
环境变量中(强烈推荐),则可以省略此参数。 有关完整的设置说明,请参阅 文档。 - project (
str
, 可选) — 现有 Neptune 项目的名称,格式为 “workspace-name/project-name”。 您可以在 Neptune 中从项目设置 -> 属性中查找并复制名称。 如果为 None(默认值),则使用NEPTUNE_PROJECT
环境变量的值。 - name (
str
, 可选) — 运行的自定义名称。 - base_namespace (
str
, 可选, 默认为 “finetuning”) — 在 Neptune 运行中,将包含回调记录的所有元数据的根命名空间。 - log_parameters (
bool
, 可选, 默认为True
) — 如果为 True,则记录 Trainer 提供的所有 Trainer 参数和模型参数。 - log_checkpoints (
str
, 可选) — 如果为 “same”,则在 Trainer 保存检查点时上传。 如果为 “last”,则仅上传最近保存的检查点。 如果为 “best”,则上传最佳检查点(在 Trainer 保存的检查点中)。 如果为None
,则不上传检查点。 - run (
Run
, 可选) — 如果您想继续记录到现有运行,请传递 Neptune 运行对象。 阅读 文档 中关于恢复运行的更多信息。 - **neptune_run_kwargs (可选) — 要直接传递给
neptune.init_run()
函数的其他关键字参数,当创建新运行时。
TrainerCallback,用于将日志发送到 Neptune。
有关说明和示例,请参阅 Neptune 文档中的 Transformers 集成指南。
一个 TrainerCallback,用于将日志发送到 ClearML。
环境
- CLEARML_PROJECT (
str
, 可选, 默认为HuggingFace Transformers
): ClearML 项目名称。 - CLEARML_TASK (
str
, 可选, 默认为Trainer
): ClearML 任务名称。 - CLEARML_LOG_MODEL (
bool
, 可选, 默认为False
): 是否在训练期间将模型记录为工件。
一个 TrainerCallback,用于记录到 DagsHub。 扩展了 MLflowCallback
设置 DagsHub 的日志记录集成。
环境
- HF_DAGSHUB_LOG_ARTIFACTS (
str
, 可选): 是否保存实验的数据和模型工件。 默认为False
。
class transformers.integrations.FlyteCallback
< source >( save_log_history: bool = True sync_checkpoints: bool = True )
一个 TrainerCallback,用于将日志发送到 Flyte。 注意:此回调仅在 Flyte 任务中有效。
class transformers.integrations.DVCLiveCallback
< source >( live: typing.Optional[typing.Any] = None log_model: typing.Union[typing.Literal['all'], bool, NoneType] = None **kwargs )
参数
- live (
dvclive.Live
, 可选, 默认为None
) — 可选的 Live 实例。如果为 None,将使用 **kwargs 创建新实例。 - log_model (Union[Literal[“all”], bool], 可选, 默认为
None
) — 是否使用dvclive.Live.log_artifact()
来记录由 Trainer 创建的检查点。如果设置为True
,则在训练结束时记录最终检查点。如果设置为"all"
,则在每个检查点记录整个 TrainingArguments 的output_dir
。
一个 TrainerCallback,用于将日志发送到 DVCLive。
使用以下环境变量在 setup
中配置集成。 要自定义超出这些环境变量的回调,请参阅 此处。
设置可选的 DVCLive 集成。 要自定义超出以下环境变量的回调,请参阅 此处。
环境
- HF_DVCLIVE_LOG_MODEL (
str
, 可选): 是否使用dvclive.Live.log_artifact()
来记录由 Trainer 创建的检查点。如果设置为True
或 1,则在训练结束时记录最终检查点。如果设置为all
,则在每个检查点记录整个 TrainingArguments 的output_dir
。
一个 TrainerCallback,用于将指标、媒体、模型检查点记录到 SwanLab。
设置可选的 SwanLab (swanlab) 集成。
可以子类化并覆盖此方法以在需要时自定义设置。 更多信息请见 此处。
您还可以覆盖以下环境变量。 有关环境变量的更多信息,请参阅 此处
环境
SWANLAB_API_KEY (
str
, 可选, 默认为None
): 云 API 密钥。 登录期间,首先检查此环境变量。 如果它不存在,系统会检查用户是否已登录。 如果没有,则启动登录过程。- 如果将字符串传递到登录界面,则此环境变量将被忽略。
- 如果用户已登录,则此环境变量优先于本地存储的登录信息。
SWANLAB_PROJECT (
str
, 可选, 默认为None
): 将此设置为自定义字符串以在不同的项目中存储结果。 如果未指定,则使用当前运行目录的名称。SWANLAB_LOG_DIR (
str
, 可选, 默认为swanlog
): 此环境变量指定在本地模式下运行时日志文件的存储路径。 默认情况下,日志保存在工作目录下的名为 swanlog 的文件夹中。SWANLAB_MODE (
Literal["local", "cloud", "disabled"]
, 可选, 默认为cloud
): SwanLab 的解析模式,涉及操作员注册的回调。 目前,有三种模式:local、cloud 和 disabled。 注意:区分大小写。 更多信息请见 此处SWANLAB_LOG_MODEL (
str
, 可选, 默认为None
): SwanLab 目前不支持保存模式功能。此功能将在未来的版本中提供SWANLAB_WEB_HOST (
str
, 可选, 默认为None
): SwanLab 云环境的 Web 地址,适用于私有版本(免费)SWANLAB_API_HOST (
str
, 可选, 默认为None
): SwanLab 云环境的 API 地址,适用于私有版本(免费)
TrainerCallback
class transformers.TrainerCallback
< source >( )
参数
- args (TrainingArguments) — 用于实例化 Trainer 的训练参数。
- state (TrainerState) — Trainer 的当前状态。
- control (TrainerControl) — 返回给 Trainer 并且可以用于做出某些决定的对象。
- model (PreTrainedModel 或
torch.nn.Module
) — 正在训练的模型。 - tokenizer (PreTrainedTokenizer) — 用于编码数据的 tokenizer。 此项已弃用,推荐使用
processing_class
。 - processing_class ([
PreTrainedTokenizer
或BaseImageProcessor
或ProcessorMixin
或FeatureExtractionMixin
]) — 用于编码数据的 processing class。 可以是 tokenizer、processor、image processor 或 feature extractor。 - optimizer (
torch.optim.Optimizer
) — 用于训练步骤的 optimizer。 - lr_scheduler (
torch.optim.lr_scheduler.LambdaLR
) — 用于设置学习率的 scheduler。 - train_dataloader (
torch.utils.data.DataLoader
, 可选) — 当前用于训练的 dataloader。 - eval_dataloader (
torch.utils.data.DataLoader
, 可选) — 当前用于评估的 dataloader。 - metrics (
Dict[str, float]
) — 上次评估阶段计算的指标。这些指标仅在
on_evaluate
事件中可用。 - logs (
Dict[str, float]
) — 要记录的值。这些值仅在
on_log
事件中可用。
一个类,用于表示将在某些事件检查训练循环的状态并做出一些决定的对象。 在每个事件中,以下参数可用
control
对象是唯一可以被回调更改的对象,在这种情况下,更改它的事件应返回修改后的版本。
参数 args
、state
和 control
是所有事件的位置参数,所有其他参数都分组在 kwargs
中。 您可以在使用它们的事件签名中解包您需要的参数。 例如,请参阅简单的 PrinterCallback 的代码。
示例
class PrinterCallback(TrainerCallback):
def on_log(self, args, state, control, logs=None, **kwargs):
_ = logs.pop("total_flos", None)
if state.is_local_process_zero:
print(logs)
on_epoch_begin
< source > ( args: TrainingArguments state: TrainerState control: TrainerControl **kwargs )
在 epoch 开始时调用的事件。
on_epoch_end
< source > ( args: TrainingArguments state: TrainerState control: TrainerControl **kwargs )
在 epoch 结束时调用的事件。
on_evaluate
< source > ( args: TrainingArguments state: TrainerState control: TrainerControl **kwargs )
在评估阶段之后调用的事件。
on_init_end
< source > ( args: TrainingArguments state: TrainerState control: TrainerControl **kwargs )
在 Trainer 初始化结束时调用的事件。
在记录最后日志后调用的事件。
on_optimizer_step
< source > ( args: TrainingArguments state: TrainerState control: TrainerControl **kwargs )
在优化器步骤之后但在梯度归零之前调用的事件。 用于监控梯度。
on_pre_optimizer_step
< source > ( args: TrainingArguments state: TrainerState control: TrainerControl **kwargs )
在优化器步骤之前但在梯度裁剪之后调用的事件。 用于监控梯度。
on_predict
< source > ( args: TrainingArguments state: TrainerState control: TrainerControl metrics **kwargs )
在成功预测后调用的事件。
on_prediction_step
< source > ( args: TrainingArguments state: TrainerState control: TrainerControl **kwargs )
在预测步骤后调用的事件。
在检查点保存后调用的事件。
on_step_begin
< source > ( args: TrainingArguments state: TrainerState control: TrainerControl **kwargs )
在训练步骤开始时调用的事件。 如果使用梯度累积,则一个训练步骤可能需要多个输入。
on_step_end
< source > ( args: TrainingArguments state: TrainerState control: TrainerControl **kwargs )
在训练步骤结束时调用的事件。 如果使用梯度累积,则一个训练步骤可能需要多个输入。
on_substep_end
< source > ( args: TrainingArguments state: TrainerState control: TrainerControl **kwargs )
在梯度累积期间的子步骤结束时调用的事件。
on_train_begin
< source > ( args: TrainingArguments state: TrainerState control: TrainerControl **kwargs )
在训练开始时调用的事件。
on_train_end
< source > ( args: TrainingArguments state: TrainerState control: TrainerControl **kwargs )
在训练结束时调用的事件。
以下是如何使用 PyTorch Trainer 注册自定义回调的示例
class MyCallback(TrainerCallback):
"A callback that prints a message at the beginning of training"
def on_train_begin(self, args, state, control, **kwargs):
print("Starting training")
trainer = Trainer(
model,
args,
train_dataset=train_dataset,
eval_dataset=eval_dataset,
callbacks=[MyCallback], # We can either pass the callback class this way or an instance of it (MyCallback())
)
注册回调的另一种方法是调用 trainer.add_callback()
,如下所示
trainer = Trainer(...)
trainer.add_callback(MyCallback)
# Alternatively, we can pass an instance of the callback class
trainer.add_callback(MyCallback())
TrainerState
class transformers.TrainerState
< source >( epoch: typing.Optional[float] = None global_step: int = 0 max_steps: int = 0 logging_steps: int = 500 eval_steps: int = 500 save_steps: int = 500 train_batch_size: int = None num_train_epochs: int = 0 num_input_tokens_seen: int = 0 total_flos: float = 0 log_history: list = None best_metric: typing.Optional[float] = None best_global_step: typing.Optional[int] = None best_model_checkpoint: typing.Optional[str] = None is_local_process_zero: bool = True is_world_process_zero: bool = True is_hyper_param_search: bool = False trial_name: str = None trial_params: dict = None stateful_callbacks: list = None )
参数
- epoch (
float
, 可选) — 仅在训练期间设置,将表示训练所处的 epoch(小数部分是当前 epoch 完成的百分比)。 - global_step (
int
, 可选, 默认为 0) — 在训练期间,表示已完成的更新步骤数。 - max_steps (
int
, 可选, 默认为 0) — 当前训练期间要执行的更新步骤数。 - logging_steps (
int
, 可选, 默认为 500) — 每 X 个更新步骤记录日志 - eval_steps (
int
, 可选) — 每 X 步运行一次评估。 - save_steps (
int
, 可选, 默认为 500) — 每 X 个更新步骤保存检查点。 - train_batch_size (
int
, 可选) — 训练数据加载器的批次大小。 仅在使用了auto_find_batch_size
时才需要。 - num_input_tokens_seen (
int
, 可选, 默认为 0) — 当跟踪输入 tokens 时,训练期间看到的 tokens 数量(输入 tokens 的数量,而不是预测 tokens 的数量)。 - total_flos (
float
, 可选, 默认为 0) — 模型自训练开始以来完成的浮点运算总数(存储为浮点数以避免溢出)。 - log_history (
List[Dict[str, float]]
, 可选) — 自训练开始以来完成的日志列表。 - best_metric (
float
, 可选) — 当跟踪最佳模型时,到目前为止遇到的最佳指标值。 - best_global_step (
int
, 可选) — 当跟踪最佳模型时,遇到最佳指标的步数。用于设置best_model_checkpoint
。 - best_model_checkpoint (
str
, 可选) — 当跟踪最佳模型时,到目前为止遇到的最佳模型的检查点名称的值。 - is_local_process_zero (
bool
, 可选, 默认为True
) — 此进程是否为本地主进程(例如,如果多台机器以分布式方式进行训练,则在一台机器上)。 - is_world_process_zero (
bool
, 可选, 默认为True
) — 此进程是否为全局主进程(当在多台机器上以分布式方式进行训练时,对于只有一个进程,此项将为True
)。 - is_hyper_param_search (
bool
, 可选, 默认为False
) — 我们是否正在使用 Trainer.hyperparameter_search 进行超参数搜索。这将影响数据在 TensorBoard 中记录的方式。 - stateful_callbacks (
List[StatefulTrainerCallback]
, 可选) — 附加到Trainer
的回调,这些回调的状态应该被保存或恢复。相关的回调应实现state
和from_state
函数。
一个包含 Trainer 内部状态的类,该状态将在检查点时与模型和优化器一起保存,并传递给 TrainerCallback。
在本类中,一个步骤应理解为一个更新步骤。当使用梯度累积时,一个更新步骤可能需要多次前向和后向传递:如果您使用 gradient_accumulation_steps=n
,则一个更新步骤需要处理 n 个批次。
根据日志记录、评估和保存步骤是否为比例值,计算并存储其绝对值。
存储 self
中所需的初始训练引用
从 json_path
的内容创建一个实例。
将此实例的内容以 JSON 格式保存在 json_path
中。
TrainerControl
class transformers.TrainerControl
< source >( should_training_stop: bool = False should_epoch_stop: bool = False should_save: bool = False should_evaluate: bool = False should_log: bool = False )
参数
- should_training_stop (
bool
, 可选, 默认为False
) — 是否应中断训练。如果为
True
,则此变量不会设置回False
。训练将直接停止。 - should_epoch_stop (
bool
, 可选, 默认为False
) — 是否应中断当前 epoch。如果为
True
,则此变量将在下一个 epoch 开始时设置回False
。 - should_save (
bool
, 可选, 默认为False
) — 是否应在此步骤保存模型。如果为
True
,则此变量将在下一步骤开始时设置回False
。 - should_evaluate (
bool
, 可选, 默认为False
) — 是否应在此步骤评估模型。如果为
True
,则此变量将在下一步骤开始时设置回False
。 - should_log (
bool
, 可选, 默认为False
) — 是否应在此步骤报告日志。如果为
True
,则此变量将在下一步骤开始时设置回False
。
一个处理 Trainer 控制流的类。此类由 TrainerCallback 使用,以激活训练循环中的某些开关。