Transformers 文档
优化
并获得增强的文档体验
开始
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
- 以继承自
_LRSchedule
的计划对象形式的多个计划 - 一个梯度累积类,用于累积多个批次的梯度
AdaFactor (PyTorch)
class transformers.Adafactor
< 源代码 >( 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或定义参数组的字典。 - lr (
float
, optional) — 外部学习率。 - eps (
Tuple[float, float]
, optional, defaults to(1e-30, 0.001)
) — 平方梯度和参数尺度的正则化常数 - clip_threshold (
float
, optional, defaults to 1.0) — 最终梯度更新的均方根阈值 - decay_rate (
float
, optional, defaults to -0.8) — 用于计算平方运行平均值的系数 - beta1 (
float
, optional) — 用于计算梯度运行平均值的系数 - weight_decay (
float
, optional, defaults to 0.0) — 权重衰减(L2 惩罚) - scale_parameter (
bool
, optional, defaults toTrue
) — 如果为 True,则学习率按均方根缩放 - relative_step (
bool
, optional, defaults toTrue
) — 如果为 True,则计算时间相关的学习率,而不是外部学习率 - warmup_init (
bool
, optional, defaults toFalse
) — 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 实现可以用作 Adam 的直接替换,原始 fairseq 代码: 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,此优化器内部会根据 scale_parameter
、relative_step
和 warmup_init
选项调整学习率。要使用手动(外部)学习率计划,您应该设置 scale_parameter=False
和 relative_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 预热或梯度裁剪阈值的情况下进行训练。
- 使用计划的 LR 预热到固定 LR
- 使用梯度裁剪阈值=1.0 (https://arxiv.org/abs/1804.04235)
禁用相对更新
使用缩放参数=False
其他优化器操作(如梯度裁剪)不应与 Adafactor 一起使用
示例
Adafactor(model.parameters(), scale_parameter=False, relative_step=False, warmup_init=False, lr=1e-3)
其他人报告以下组合效果良好
Adafactor(model.parameters(), scale_parameter=True, relative_step=True, warmup_init=True, lr=None)
当将 lr=None
与 Trainer 一起使用时,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,
)
执行单个优化步骤
AdamWeightDecay (TensorFlow)
class transformers.AdamWeightDecay
< 源代码 >( learning_rate: typing.Union[float, tf_keras.src.optimizers.schedules.learning_rate_schedule.LearningRateSchedule] = 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: typing.Optional[list[str]] = None exclude_from_weight_decay: typing.Optional[list[str]] = None name: str = 'AdamWeightDecay' **kwargs )
参数
- learning_rate (
Union[float, LearningRateSchedule]
, optional, defaults to 0.001) — 要使用的学习率或计划。 - beta_1 (
float
, optional, defaults to 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
, optional, defaults to 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
, optional, defaults to 1e-07) — Adam 中的 epsilon 参数,这是一个用于数值稳定性的较小常数。 - amsgrad (
bool
, optional, defaults toFalse
) — 是否应用此算法的 AMSGrad 变体,请参阅 On the Convergence of Adam and Beyond。 - weight_decay_rate (
float
, 可选,默认为 0.0) — 应用的权重衰减率。 - 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)列表。 如果未传入任何值,则默认情况下权重衰减将应用于所有参数(除非它们在exclude_from_weight_decay
中)。 - exclude_from_weight_decay (
List[str]
, 可选) — 从应用权重衰减中排除的参数名称(或正则表达式)列表。 如果传入了include_in_weight_decay
,则其中的名称将取代此列表。 - name (
str
, 可选,默认为"AdamWeightDecay"
) — 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。 允许为 {clipnorm
,clipvalue
,lr
,decay
}。clipnorm
是按范数裁剪梯度;clipvalue
是按值裁剪梯度;decay
的包含是为了向后兼容,以允许学习率的时间反向衰减。lr
的包含是为了向后兼容,建议使用learning_rate
代替。
Adam 启用了梯度上的 L2 权重衰减和 clip_by_global_norm。 仅仅将权重的平方添加到损失函数中,不是 将 L2 正则化/权重衰减与 Adam 一起使用的正确方法,因为这会以奇怪的方式与 m 和 v 参数相互作用,如 解耦权重衰减正则化 中所示。
相反,我们希望以一种不与 m/v 参数交互的方式衰减权重。 这等效于使用普通(非动量)SGD 将权重的平方添加到损失中。
从其配置和 WarmUp 自定义对象创建优化器。
transformers.create_optimizer
< source >( 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: typing.Optional[float] = None adam_global_clipnorm: typing.Optional[float] = None weight_decay_rate: float = 0.0 power: float = 1.0 include_in_weight_decay: typing.Optional[list[str]] = None )
参数
- init_lr (
float
) — 预热阶段结束时期望的学习率。 - num_train_steps (
int
) — 训练步骤的总数。 - num_warmup_steps (
int
) — 预热步骤的数量。 - min_lr_ratio (
float
, 可选,默认为 0) — 在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,默认为 0.9) — 在 Adam 中使用的 beta1 值。 - adam_beta2 (
float
, 可选,默认为 0.999) — 在 Adam 中使用的 beta2 值。 - adam_epsilon (
float
, 可选,默认为 1e-8) — 在 Adam 中使用的 epsilon 值。 - 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为此值。 - adam_global_clipnorm (
float
, 可选,默认为None
) — 如果不是None
,则将梯度范数裁剪为此值。 使用此参数时,范数是在所有权重张量上计算的,就好像它们被连接成单个向量一样。 - weight_decay_rate (
float
, 可选,默认为 0) — 要使用的权重衰减率。 - power (
float
, 可选,默认为 1.0) — 用于 PolynomialDecay 的 power 值。 - 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)列表。 如果未传入任何值,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。
创建一个优化器,该优化器具有学习率计划,该计划使用预热阶段,然后是线性衰减。
计划表
学习率计划表 (PyTorch)
class transformers.SchedulerType
< source >( value names = None module = None qualname = None type = None start = 1 )
lr_scheduler_type
参数在 TrainingArguments 中的计划表名称。 默认情况下,它使用“linear”。 在内部,这会从 Trainer 中检索 get_linear_schedule_with_warmup
计划表。 计划表类型
- “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
< source >( name: typing.Union[str, transformers.trainer_utils.SchedulerType] optimizer: Optimizer num_warmup_steps: typing.Optional[int] = None num_training_steps: typing.Optional[int] = None scheduler_specific_kwargs: typing.Optional[dict] = None )
参数
- name (
str
或SchedulerType
) — 要使用的计划表的名称。 - optimizer (
torch.optim.Optimizer
) — 训练期间将使用的优化器。 - num_warmup_steps (
int
, 可选) — 要执行的预热步骤的数量。 并非所有计划表都要求这样做(因此该参数是可选的),如果未设置且计划表类型需要它,则该函数将引发错误。 - num_training_steps (
int“, optional) — 要执行的训练步数。并非所有调度器都要求此参数(因此该参数是可选的),如果调度器类型需要但未设置此参数,则该函数将引发错误。
- scheduler_specific_kwargs (
dict
, optional) — 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。
用于从名称获取任何调度器的统一 API。
transformers.get_constant_schedule
< source >( optimizer: Optimizer last_epoch: int = -1 )
创建一个使用优化器中设置的学习率的恒定学习率调度器。
transformers.get_constant_schedule_with_warmup
< source >( optimizer: Optimizer num_warmup_steps: int last_epoch: int = -1 )
创建一个恒定学习率调度器,该调度器在预热期之前,学习率在预热期间从 0 线性增加到优化器中设置的初始学习率。

transformers.get_cosine_schedule_with_warmup
< source >( optimizer: Optimizer num_warmup_steps: int num_training_steps: int num_cycles: float = 0.5 last_epoch: int = -1 )
创建一个学习率调度器,该调度器在预热期之后,学习率从优化器中设置的初始学习率开始,按照余弦函数的值减小到 0;在预热期间,学习率从 0 线性增加到优化器中设置的初始学习率。

transformers.get_cosine_with_hard_restarts_schedule_with_warmup
< source >( optimizer: Optimizer num_warmup_steps: int num_training_steps: int num_cycles: int = 1 last_epoch: int = -1 )
创建一个学习率调度器,该调度器在预热期之后,学习率从优化器中设置的初始学习率开始,按照余弦函数的值减小到 0,并进行多次硬重启;在预热期间,学习率从 0 线性增加到优化器中设置的初始学习率。

transformers.get_linear_schedule_with_warmup
< source >( optimizer num_warmup_steps num_training_steps last_epoch = -1 )
创建一个学习率调度器,该调度器在预热期之后,学习率从优化器中设置的初始学习率线性减小到 0;在预热期间,学习率从 0 线性增加到优化器中设置的初始学习率。

transformers.get_polynomial_decay_schedule_with_warmup
< 源码 >( optimizer num_warmup_steps num_training_steps lr_end = 1e-07 power = 1.0 last_epoch = -1 )
创建一个学习率计划,该计划在预热期后,学习率从优化器中设置的初始学习率线性增加到 0,然后在预热期结束后,学习率从优化器中设置的初始学习率以多项式衰减方式降低到由 *lr_end* 定义的最终学习率。
注意:*power* 默认值为 1.0,与 fairseq 实现一致,而 fairseq 实现又基于 BERT 的原始实现,地址为 https://github.com/google-research/bert/blob/f39e881b169b9d53bea03d2d341b31707a6c052b/optimization.py#L37
transformers.get_inverse_sqrt_schedule
< 源码 >( optimizer: Optimizer num_warmup_steps: int timescale: int = None last_epoch: int = -1 )
创建一个学习率计划,该计划使用反平方根学习率,在预热期之后,学习率从优化器中设置的初始学习率线性增加到 0,然后再从初始学习率开始反平方根衰减。
transformers.get_wsd_schedule
< 源码 >( optimizer: Optimizer num_warmup_steps: int num_decay_steps: int num_training_steps: typing.Optional[int] = None num_stable_steps: typing.Optional[int] = None warmup_type: str = 'linear' decay_type: str = 'cosine' min_lr_ratio: float = 0 num_cycles: float = 0.5 last_epoch: int = -1 )
参数
- optimizer (
~torch.optim.Optimizer
) — 用于安排学习率的优化器。 - num_warmup_steps (
int
) — 预热阶段的步数。 - num_decay_steps (
int
) — 衰减阶段的步数。 - num_training_steps (
int
, optional) — 训练的总步数。这是预热、稳定和衰减步数的总和。如果未提供 `num_stable_steps`,则稳定阶段将为 `num_training_steps - num_warmup_steps - num_decay_steps`。 - num_stable_steps (
int
, optional) — 稳定阶段的步数。请确保 `num_warmup_steps + num_stable_steps + num_decay_steps` 等于 `num_training_steps`,否则其他阶段将默认为最小学习率。 - warmup_type (
str
, optional, defaults to “linear”) — 要使用的预热类型。可以是 ‘linear’、‘cosine’ 或 ‘1-sqrt’。 - decay_type (
str
, optional, defaults to “cosine”) — 要使用的衰减类型。可以是 ‘linear’、‘cosine’ 或 ‘1-sqrt’。 - min_lr_ratio (
float
, optional, defaults to 0) — 最小学习率,表示为初始学习率的比率。 - num_cycles (
float
, optional, defaults to 0.5) — 余弦计划中的波浪数(默认值是仅从最大值降至 0,遵循半余弦)。 - last_epoch (
int
, optional, defaults to -1) — 恢复训练时上个 epoch 的索引。
创建一个具有三个阶段的学习率计划
- 预热阶段:从最小学习率比率乘以初始学习率增加到初始学习率,遵循 warmup_type。
- 稳定阶段:恒定的学习率。
- 衰减阶段:从初始学习率降低到最小学习率比率乘以初始学习率,遵循 decay_type。
Warmup (TensorFlow) (TensorFlow 预热)
class transformers.WarmUp
< 源码 >( initial_learning_rate: float decay_schedule_fn: typing.Callable warmup_steps: int power: float = 1.0 name: str = None )
在给定的学习率衰减计划上应用预热计划。
梯度策略
GradientAccumulator (TensorFlow)
梯度累积实用工具。当与分布式策略一起使用时,累积器应在副本上下文中调用。梯度将在每个副本上本地累积,而无需同步。然后,用户应调用 .gradients
,如果需要,可以缩放梯度,并将结果传递给 apply_gradients
。
重置当前副本上累积的梯度。