Transformers 文档

优化

Hugging Face's logo
加入 Hugging Face 社区

并获得增强的文档体验

开始使用

优化

.optimization 模块提供

  • 一个具有固定权重衰减的优化器,可用于微调模型,以及
  • 以调度对象的形式提供的多个调度,这些调度对象继承自 _LRSchedule
  • 一个梯度累积类,用于累积多个批次的梯度

AdamW (PyTorch)

transformers.AdamW

< >

( params: Iterable lr: float = 0.001 betas: Tuple = (0.9, 0.999) eps: float = 1e-06 weight_decay: float = 0.0 correct_bias: bool = True no_deprecation_warning: bool = False )

参数

  • params (Iterable[nn.parameter.Parameter]) — 要优化的参数的迭代器或定义参数组的字典。
  • lr (float, *可选*, 默认值: 0.001) — 要使用的学习率。
  • betas (Tuple[float,float], *可选*, 默认值: (0.9, 0.999)) — Adam 的 betas 参数 (b1, b2)。
  • eps (float, *可选*, 默认值: 1e-06) — Adam 的 epsilon,用于数值稳定性。
  • **weight_decay** (``float``, *可选*, 默认值为 0.0) — 要应用的解耦权重衰减。
  • **correct_bias** (``bool``, *可选*, 默认值为 ``True``) — 是否在 Adam 中校正偏差(例如,在 Bert TF 存储库中,他们使用 ``False``)。
  • **no_deprecation_warning** (``bool``, *可选*, 默认值为 ``False``) — 用于禁用弃用警告的标志(设置为 ``True`` 以禁用警告)。

实现 Adam 算法,并根据 解耦权重衰减正则化 中的介绍修复权重衰减。

步骤

< >

( 闭包: Callable = None )

参数

  • **闭包** (``Callable``, *可选*) — 重新评估模型并返回损失的闭包。

执行单个优化步骤。

AdaFactor (PyTorch)

transformers.Adafactor

< >

( params lr = None eps = (1e-30, 0.001) clip_threshold = 1.0 decay_rate = -0.8 beta1 = None weight_decay = 0.0 scale_parameter = True relative_step = True warmup_init = False )

参数

  • params (Iterable[nn.parameter.Parameter]) — 要优化的参数的迭代器或定义参数组的字典。
  • lr (float, 可选) — 外部学习率。
  • eps (Tuple[float, float], 可选, 默认值 (1e-30, 0.001)) — 分别用于平方梯度和参数尺度的正则化常数
  • clip_threshold (float, 可选, 默认值 1.0) — 最终梯度更新的均方根阈值
  • decay_rate (float, 可选, 默认值 -0.8) — 用于计算平方运行平均值的系数
  • beta1 (float, 可选) — 用于计算梯度运行平均值的系数
  • weight_decay (float可选,默认为 0.0) - 权重衰减 (L2 惩罚)
  • scale_parameter (bool可选,默认为 True) - 如果为 True,则学习率按均方根缩放
  • relative_step (bool可选,默认为 True) - 如果为 True,则计算与时间相关的学习率,而不是外部学习率
  • warmup_init (bool可选,默认为 False) - 与时间相关的学习率计算取决于是否正在使用预热初始化

AdaFactor pytorch 实现可以作为 Adam 原始 fairseq 代码的替代品: https://github.com/pytorch/fairseq/blob/master/fairseq/optim/adafactor.py

论文:Adafactor: Adaptive Learning Rates with Sublinear Memory Cost https://arxiv.org/abs/1804.04235 请注意,此优化器会根据 scale_parameterrelative_stepwarmup_init 选项内部调整学习率。要使用手动(外部)学习率调度,您应该设置 scale_parameter=Falserelative_step=False

此实现处理低精度(FP16,bfloat)值,但我们尚未彻底测试。

推荐的 T5 微调设置 (https://discuss.huggingface.co/t/t5-finetuning-tips/684/3)

  • 不建议在没有 LR 预热或 clip_threshold 的情况下进行训练。

  • 禁用相对更新

  • 使用 scale_parameter=False

  • 不应将其他优化器操作(如梯度裁剪)与 Adafactor 一起使用

示例

Adafactor(model.parameters(), scale_parameter=False, relative_step=False, warmup_init=False, lr=1e-3)

其他人报告说以下组合效果很好

Adafactor(model.parameters(), scale_parameter=True, relative_step=True, warmup_init=True, lr=None)

当在 Trainer 中使用 lr=None 时,您很可能需要使用 AdafactorSchedule

调度器如下

from transformers.optimization import Adafactor, AdafactorSchedule

optimizer = Adafactor(model.parameters(), scale_parameter=True, relative_step=True, warmup_init=True, lr=None)
lr_scheduler = AdafactorSchedule(optimizer)
trainer = Trainer(..., optimizers=(optimizer, lr_scheduler))

用法

# replace AdamW with Adafactor
optimizer = Adafactor(
    model.parameters(),
    lr=1e-3,
    eps=(1e-30, 1e-3),
    clip_threshold=1.0,
    decay_rate=-0.8,
    beta1=None,
    weight_decay=0.0,
    relative_step=False,
    scale_parameter=False,
    warmup_init=False,
)

步骤

< >

( closure = None )

参数

  • closure (可调用对象,可选) - 一个重新评估模型并返回损失的可调用对象。

执行单个优化步骤

AdamWeightDecay (TensorFlow)

transformers.AdamWeightDecay

< >

( learning_rate: Union = 0.001 beta_1: float = 0.9 beta_2: float = 0.999 epsilon: float = 1e-07 amsgrad: bool = False weight_decay_rate: float = 0.0 include_in_weight_decay: Optional = None exclude_from_weight_decay: Optional = None name: str = 'AdamWeightDecay' **kwargs )

参数

  • learning_rate (Union[float, LearningRateSchedule],*可选*,默认为 0.001) — 要使用的学习率或计划。
  • beta_1 (float,*可选*,默认为 0.9) — Adam 中的 beta1 参数,它是第一个动量估计的指数衰减率。
  • beta_2 (float,*可选*,默认为 0.999) — Adam 中的 beta2 参数,它是第二个动量估计的指数衰减率。
  • epsilon (float,*可选*,默认为 1e-07) — Adam 中的 epsilon 参数,它是数值稳定性的小常数。
  • amsgrad (bool,*可选*,默认为 False) — 是否应用此算法的 AMSGrad 变体,请参阅 Adam 和超越的收敛性
  • weight_decay_rate (float可选,默认为 0.0) — 要应用的权重衰减。
  • include_in_weight_decay (List[str]可选) — 要应用权重衰减的参数名称(或正则表达式模式)列表。 如果未传递任何内容,则默认情况下会将权重衰减应用于所有参数(除非它们在 exclude_from_weight_decay 中)。
  • exclude_from_weight_decay (List[str]可选) — 要排除应用权重衰减的参数名称(或正则表达式模式)列表。 如果传递了 include_in_weight_decay,则其中的名称将取代此列表。
  • name (str可选,默认为 "AdamWeightDecay") — 在应用梯度时创建的操作的可选名称。
  • kwargs (Dict[str, Any]可选) — 关键字参数。 允许使用 {clipnormclipvaluelrdecay}。 clipnorm 表示按范数裁剪梯度;clipvalue 表示按值裁剪梯度,包含 decay 是为了向后兼容,以便允许学习率随时间反向衰减。 包含 lr 是为了向后兼容,建议改用 learning_rate

Adam 允许对梯度进行 L2 权重衰减和全局范数裁剪。 仅仅将权重的平方添加到损失函数中*不是*使用 L2 正则化/权重衰减与 Adam 的正确方法,因为这将以奇怪的方式与 m 和 v 参数交互,如 解耦权重衰减正则化 中所示。

相反,我们希望以不与 m/v 参数交互的方式来衰减权重。 这相当于使用普通(非动量)SGD 将权重的平方添加到损失中。

from_config

< >

( config )

使用 WarmUp 自定义对象从其配置创建优化器。

transformers.create_optimizer

< >

( init_lr: float num_train_steps: int num_warmup_steps: int min_lr_ratio: float = 0.0 adam_beta1: float = 0.9 adam_beta2: float = 0.999 adam_epsilon: float = 1e-08 adam_clipnorm: Optional = None adam_global_clipnorm: Optional = None weight_decay_rate: float = 0.0 power: float = 1.0 include_in_weight_decay: Optional = None )

参数

  • init_lr (float) — 预热阶段结束时期望的学习率。
  • num_train_steps (int) — 训练步骤总数。
  • num_warmup_steps (int) — 预热步骤数。
  • min_lr_ratio (float, 可选, 默认值: 0) — 线性衰减结束时的最终学习率将为 init_lr * min_lr_ratio
  • adam_beta1 (float, 可选, 默认值: 0.9) — Adam 中使用的 beta1。
  • adam_beta2 (float可选,默认为 0.999) — Adam 中使用的 beta2。
  • adam_epsilon (float可选,默认为 1e-8) — Adam 中使用的 epsilon。
  • adam_clipnorm (float可选,默认为 None) — 如果不是 None,则将每个权重张量的梯度范数裁剪到此值。
  • adam_global_clipnorm (float可选,默认为 None) — 如果不是 None,则将梯度范数裁剪到此值。使用此参数时,将在所有权重张量上计算范数,就好像它们被连接成一个向量一样。
  • weight_decay_rate (float可选,默认为 0) — 要使用的权重衰减。
  • power (float可选,默认为 1.0) — 用于 PolynomialDecay 的幂。
  • include_in_weight_decay (List[str]可选) — 要对其应用权重衰减的参数名称(或正则表达式模式)列表。如果没有传递,则权重衰减将应用于除偏差和层归一化参数之外的所有参数。

创建一个使用学习率调度程序的优化器,该调度程序使用预热阶段,然后是线性衰减。

时间表

学习率调度器 (PyTorch)

transformers.SchedulerType

< >

( value names = None module = None qualname = None type = None start = 1 )

TrainingArguments 中参数 lr_scheduler_type 的调度器名称。默认情况下,它使用 “linear”。在内部,这将从 Trainer 中检索 get_linear_schedule_with_warmup 调度器。调度器类型

  • “linear” = get_linear_schedule_with_warmup
  • “cosine” = get_cosine_schedule_with_warmup
  • “cosine_with_restarts” = get_cosine_with_hard_restarts_schedule_with_warmup
  • “polynomial” = get_polynomial_decay_schedule_with_warmup
  • “constant” = get_constant_schedule
  • “constant_with_warmup” = get_constant_schedule_with_warmup
  • “inverse_sqrt” = get_inverse_sqrt_schedule
  • “reduce_lr_on_plateau” = get_reduce_on_plateau_schedule
  • “cosine_with_min_lr” = get_cosine_with_min_lr_schedule_with_warmup
  • “warmup_stable_decay” = get_wsd_schedule

transformers.get_scheduler

< >

( name: Union optimizer: Optimizer num_warmup_steps: Optional = None num_training_steps: Optional = None scheduler_specific_kwargs: Optional = None )

参数

  • name (strSchedulerType) — 要使用的调度器名称。
  • optimizer (torch.optim.Optimizer) — 将在训练期间使用的优化器。
  • num_warmup_steps (int可选) — 预热的步数。并非所有调度器都需要此参数(因此该参数是可选的),如果未设置且调度器类型需要它,则该函数将引发错误。
  • num_training_steps (int可选) — 训练的步数。并非所有调度器都需要此参数(因此该参数是可选的),如果未设置且调度器类型需要它,则该函数将引发错误。
  • scheduler_specific_kwargs (dict可选) — 调度器的额外参数,例如带重启的余弦调度器。调度器类型和调度器参数不匹配将导致调度器函数引发 TypeError。

用于从其名称获取任何调度器的统一 API。

transformers.get_constant_schedule

< >

( optimizer: Optimizer last_epoch: int = -1 )

参数

  • optimizer (~torch.optim.Optimizer) — 要为其安排学习率的优化器。
  • last_epoch (int可选,默认为 -1) — 恢复训练时最后一个 epoch 的索引。

使用优化器中设置的学习率创建一个具有恒定学习率的调度表。

transformers.get_constant_schedule_with_warmup

< >

( optimizer: Optimizer num_warmup_steps: int last_epoch: int = -1 )

参数

  • optimizer (~torch.optim.Optimizer) — 要为其安排学习率的优化器。
  • num_warmup_steps (int) — 预热阶段的步数。
  • last_epoch (int, 可选, 默认值 -1) — 恢复训练时最后一个 epoch 的索引。

创建一个学习率恒定的计划,在预热阶段之前,学习率在 0 和优化器中设置的初始 lr 之间线性增加。

transformers.get_cosine_schedule_with_warmup

< >

( optimizer: Optimizer num_warmup_steps: int num_training_steps: int num_cycles: float = 0.5 last_epoch: int = -1 )

参数

  • optimizer (~torch.optim.Optimizer) — 要为其安排学习率的优化器。
  • num_warmup_steps (int) — 预热阶段的步数。
  • num_training_steps (int) — 训练步数的总数。
  • num_cycles (float, *可选*,默认为 0.5) — 余弦调度中的波浪数(默认值是从最大值按半余弦函数降至 0)。
  • last_epoch (int, *可选*,默认为 -1) — 恢复训练时最后一个周期的索引。

创建一个学习率调度器,使其在预热阶段后,按照余弦函数的值从优化器中设置的初始学习率降低到 0,在预热阶段,学习率在 0 和优化器中设置的初始学习率之间线性增加。

transformers.get_cosine_with_hard_restarts_schedule_with_warmup

< >

( optimizer: Optimizer num_warmup_steps: int num_training_steps: int num_cycles: int = 1 last_epoch: int = -1 )

参数

  • optimizer (~torch.optim.Optimizer) — 要为其调度学习率的优化器。
  • num_warmup_steps (int) — 预热阶段的步数。
  • num_training_steps (int) — 训练步数总数。
  • num_cycles (int, *可选*,默认为 1) — 要使用的硬重启次数。
  • last_epoch (int, 可选, 默认为 -1) — 恢复训练时最后一个 epoch 的索引。

创建一个学习率调度器,使其在优化器中设置的初始学习率到 0 之间,按照余弦函数的值递减,并在经历几个热启动重启后,在热身期间,学习率在 0 和优化器中设置的初始学习率之间线性增加。

transformers.get_linear_schedule_with_warmup

< >

( optimizer num_warmup_steps num_training_steps last_epoch = -1 )

参数

  • optimizer (~torch.optim.Optimizer) — 要为其安排学习率的优化器。
  • num_warmup_steps (int) — 热身阶段的步数。
  • num_training_steps (int) — 训练步数的总数。
  • last_epoch (int, 可选, 默认为 -1) — 恢复训练时最后一个 epoch 的索引。

创建一个学习率调度器,使其在热身期间,学习率在 0 和优化器中设置的初始学习率之间线性增加,并在热身结束后,学习率从优化器中设置的初始学习率线性递减到 0。

transformers.get_polynomial_decay_schedule_with_warmup

< >

( 优化器 热身步数 训练步数 最终学习率 = 1e-07 = 1.0 上次迭代周期 = -1 )

参数

  • 优化器 (~torch.optim.Optimizer) — 要为其安排学习率的优化器。
  • 热身步数 (int) — 热身阶段的步数。
  • 训练步数 (int) — 训练步数的总数。
  • 最终学习率 (float, 可选, 默认值: 1e-7) — 最终学习率。
  • (float, 可选, 默认值: 1.0) — 幂因子。
  • 上次迭代周期 (int, 可选, 默认值: -1) — 恢复训练时最后一个迭代周期的索引。

创建一个学习率调度,在预热阶段,学习率从 0 线性增加到优化器中设置的初始学习率。之后,学习率从优化器中设置的初始学习率多项式衰减到由 最终学习率 定义的最终学习率。

注意:根据 fairseq 实现,*幂* 默认为 1.0,而 fairseq 实现又是基于 https://github.com/google-research/bert/blob/f39e881b169b9d53bea03d2d341b31707a6c052b/optimization.py#L37 处的原始 BERT 实现。

transformers.get_inverse_sqrt_schedule

< >

( optimizer: Optimizer num_warmup_steps: int timescale: int = None last_epoch: int = -1 )

参数

  • optimizer (~torch.optim.Optimizer) — 要为其安排学习率的优化器。
  • num_warmup_steps (int) — 预热阶段的步数。
  • timescale (int, 可选, 默认值 num_warmup_steps) — 时间尺度。
  • last_epoch (int, 可选, 默认值 -1) — 恢复训练时最后一个时期的索引。

创建一个具有平方根反比学习率的调度,在预热期(预热期将学习率从 0 线性增加到优化器中设置的初始学习率)之后,从优化器中设置的初始学习率开始。

transformers.get_wsd_schedule

< >

( optimizer: Optimizer num_warmup_steps: int num_stable_steps: int num_decay_steps: int min_lr_ratio: float = 0 num_cycles: float = 0.5 last_epoch: int = -1 )

参数

  • optimizer (~torch.optim.Optimizer) — 要为其安排学习率的优化器。
  • num_warmup_steps (int) — 预热阶段的步数。
  • num_stable_steps (int) — 稳定阶段的步数。
  • num_decay_steps (int) — 余弦退火阶段的步数。
  • min_lr_ratio (float, 可选, 默认值: 0) — 最小学习率,以初始学习率的比率表示。
  • num_cycles (float, 可选, 默认值: 0.5) — 余弦调度中的波浪数(默认值是从最大值按照半余弦函数减小到 0)。
  • last_epoch (int, 可选, 默认值: -1) — 恢复训练时最后一个 epoch 的索引。

创建一个学习率分为三个阶段的调度

  1. 从 0 线性增加到初始学习率。
  2. 恒定学习率(等于初始学习率)。
  3. 按照余弦函数的值从优化器中设置的初始学习率减小到初始学习率的一部分。

Warmup (TensorFlow)

transformers.WarmUp

< >

( initial_learning_rate: float decay_schedule_fn: Callable warmup_steps: int power: float = 1.0 name: str = None )

参数

  • initial_learning_rate (float) — 预热后计划的初始学习率(因此这将是预热结束时的学习率)。
  • decay_schedule_fn (Callable) — 在预热后应用于剩余训练的计划函数。
  • warmup_steps (int) — 用于训练预热部分的步数。
  • power (float, 可选, 默认值: 1.0) — 用于多项式预热的幂(默认为线性预热)。
  • name (str, 可选) — 在计划期间返回的张量的可选名称前缀。

对给定的学习率衰减计划应用预热计划。

梯度策略

GradientAccumulator (TensorFlow)

transformers.GradientAccumulator

< >

( )

梯度累积工具。当与分布式策略一起使用时,应在副本上下文中调用累加器。梯度将在每个副本上本地累积,并且不同步。然后,用户应该调用 .gradients,根据需要缩放梯度,并将结果传递给 apply_gradients

重置

< >

( )

重置当前副本上累积的梯度。

< > 在 GitHub 上更新