LLM 课程文档
遇到错误怎么办
并获得增强的文档体验
开始使用
遇到错误怎么办
在本节中，我们将介绍在使用刚调优的 Transformer 模型生成预测时可能出现的一些常见错误。这将为第 4 节做准备，在该节中我们将探讨如何调试训练阶段本身。
我们为本节准备了一个模板模型仓库，如果您想运行本章中的代码，您首先需要将该模型复制到您的 Hugging Face Hub 帐户中。为此，首先在 Jupyter notebook 中运行以下代码进行登录：
from huggingface_hub import notebook_login
notebook_login()或者在您喜欢的终端中运行以下代码：
huggingface-cli login
这将提示您输入用户名和密码，并将令牌保存在 ~/.cache/huggingface/ 下。登录后，您可以使用以下函数复制模板仓库：
from distutils.dir_util import copy_tree
from huggingface_hub import Repository, snapshot_download, create_repo, get_full_repo_name
def copy_repository_template():
# Clone the repo and extract the local path
template_repo_id = "lewtun/distilbert-base-uncased-finetuned-squad-d5716d28"
commit_hash = "be3eaffc28669d7932492681cd5f3e8905e358b4"
template_repo_dir = snapshot_download(template_repo_id, revision=commit_hash)
# Create an empty repo on the Hub
model_name = template_repo_id.split("/")[1]
create_repo(model_name, exist_ok=True)
# Clone the empty repo
new_repo_id = get_full_repo_name(model_name)
new_repo_dir = model_name
repo = Repository(local_dir=new_repo_dir, clone_from=new_repo_id)
# Copy files
copy_tree(template_repo_dir, new_repo_dir)
# Push to Hub
repo.push_to_hub()现在，当您调用 copy_repository_template() 时，它将在您的帐户下创建模板仓库的副本。
调试 🤗 Transformers 的 pipeline
为了开启我们奇妙的 Transformer 模型调试之旅，请考虑以下场景：您正在与一位同事合作进行一个问答项目，以帮助电子商务网站的客户找到有关消费品的答案。您的同事给您发了这样一条消息：
你好！我刚用 Hugging Face 课程第 7 章中的技术进行了一项实验，在 SQuAD 上取得了很好的结果！我认为我们可以使用这个模型作为我们项目的起点。Hub 上的模型 ID 是“lewtun/distillbert-base-uncased-finetuned-squad-d5716d28”。随时可以测试它：)
您首先想到的是使用 🤗 Transformers 的 pipeline 加载模型：
from transformers import pipeline
model_checkpoint = get_full_repo_name("distillbert-base-uncased-finetuned-squad-d5716d28")
reader = pipeline("question-answering", model=model_checkpoint)"""
OSError: Can't load config for 'lewtun/distillbert-base-uncased-finetuned-squad-d5716d28'. Make sure that:
- 'lewtun/distillbert-base-uncased-finetuned-squad-d5716d28' is a correct model identifier listed on 'https://huggingface.co/models'
- or 'lewtun/distillbert-base-uncased-finetuned-squad-d5716d28' is the correct path to a directory containing a config.json file
"""哦不，好像出了点问题！如果您刚开始编程，这类错误一开始可能会有点神秘（OSError 是什么鬼？！）。这里显示的错误只是一个更大错误报告的最后一部分，这个报告称为 Python traceback（即堆栈跟踪）。例如，如果您在 Google Colab 上运行此代码，您应该会看到以下截图：
这些报告中包含大量信息，因此让我们一起看看关键部分。首先要注意的是，traceback 应该从下往上阅读。如果您习惯从上往下阅读英文文本，这听起来可能很奇怪，但这反映了 traceback 显示的是 pipeline 在下载模型和分词器时所做的函数调用序列。（查看第 2 章以获取有关 pipeline 内部工作原理的更多详细信息。）
🚨 看到 Google Colab 的 traceback 中“6 帧”周围的蓝色框了吗？这是 Colab 的一个特殊功能，它将 traceback 压缩成“帧”。如果您似乎找不到错误的来源，请务必单击那两个小箭头展开完整的 traceback。
这意味着 traceback 的最后一行表示最后的错误消息，并给出引发的异常的名称。在本例中，异常类型是 OSError，表示系统相关错误。如果我们阅读附带的错误消息，我们可以看到模型的 config.json 文件似乎有问题，并给出了两个解决建议：
"""
Make sure that:
- 'lewtun/distillbert-base-uncased-finetuned-squad-d5716d28' is a correct model identifier listed on 'https://huggingface.co/models'
- or 'lewtun/distillbert-base-uncased-finetuned-squad-d5716d28' is the correct path to a directory containing a config.json file
"""💡 如果您遇到难以理解的错误消息，只需将该消息复制并粘贴到 Google 或 Stack Overflow 搜索栏中（是的，真的！）。您很有可能不是第一个遇到此错误的人，这是一种寻找社区中其他人发布的解决方案的好方法。例如，在 Stack Overflow 上搜索 OSError: Can't load config for 会得到几个可以作为解决问题起点的结果。
第一个建议是让我们检查模型 ID 是否正确，所以首要任务是将标识符复制并粘贴到 Hub 的搜索栏中：
嗯，看起来我们同事的模型确实不在 Hub 上……啊哈，但是模型名称中有个拼写错误！DistilBERT 的名称中只有一个“l”，所以我们来修正它，改为搜索“lewtun/distilbert-base-uncased-finetuned-squad-d5716d28”：
好的，这找到了一个。现在我们尝试用正确的模型 ID 再次下载模型：
model_checkpoint = get_full_repo_name("distilbert-base-uncased-finetuned-squad-d5716d28")
reader = pipeline("question-answering", model=model_checkpoint)"""
OSError: Can't load config for 'lewtun/distilbert-base-uncased-finetuned-squad-d5716d28'. Make sure that:
- 'lewtun/distilbert-base-uncased-finetuned-squad-d5716d28' is a correct model identifier listed on 'https://huggingface.co/models'
- or 'lewtun/distilbert-base-uncased-finetuned-squad-d5716d28' is the correct path to a directory containing a config.json file
"""啊，又失败了——欢迎来到机器学习工程师的日常生活！既然我们已经修复了模型 ID，那么问题一定出在仓库本身。访问 🤗 Hub 上仓库内容的一种快速方法是通过 huggingface_hub 库的 list_repo_files() 函数：
from huggingface_hub import list_repo_files
list_repo_files(repo_id=model_checkpoint)['.gitattributes', 'README.md', 'pytorch_model.bin', 'special_tokens_map.json', 'tokenizer_config.json', 'training_args.bin', 'vocab.txt']有趣的是——仓库中似乎没有 config.json 文件！难怪我们的 pipeline 无法加载模型；我们的同事可能在微调模型后忘记将此文件推送到 Hub。在这种情况下，问题似乎很容易解决：我们可以要求他们添加文件，或者，既然我们可以从模型 ID 看出使用的预训练模型是 distilbert-base-uncased，我们可以下载该模型的配置并将其推送到我们的仓库，看看是否能解决问题。我们来试试。使用我们在第 2 章中学到的技术，我们可以使用 AutoConfig 类下载模型的配置：
from transformers import AutoConfig
pretrained_checkpoint = "distilbert-base-uncased"
config = AutoConfig.from_pretrained(pretrained_checkpoint)🚨 我们这里采用的方法并非万无一失，因为我们的同事可能在微调模型之前调整了 distilbert-base-uncased 的配置。在现实生活中，我们会先与他们核实，但为了本节的目的，我们假设他们使用了默认配置。
然后我们可以使用配置的 push_to_hub() 函数将其推送到我们的模型仓库：
config.push_to_hub(model_checkpoint, commit_message="Add config.json")现在我们可以通过从 main 分支的最新提交加载模型来测试这是否有效：
reader = pipeline("question-answering", model=model_checkpoint, revision="main")
context = r"""
Extractive Question Answering is the task of extracting an answer from a text
given a question. An example of a question answering dataset is the SQuAD
dataset, which is entirely based on that task. If you would like to fine-tune a
model on a SQuAD task, you may leverage the
examples/pytorch/question-answering/run_squad.py script.
🤗 Transformers is interoperable with the PyTorch, TensorFlow, and JAX
frameworks, so you can use your favourite tools for a wide variety of tasks!
"""
question = "What is extractive question answering?"
reader(question=question, context=context){'score': 0.38669535517692566,
'start': 34,
'end': 95,
'answer': 'the task of extracting an answer from a text given a question'}哇哦，成功了！让我们回顾一下您刚刚学到的内容：
- Python 中的错误消息被称为 tracebacks，它们从下往上阅读。错误消息的最后一行通常包含您需要的信息来定位问题的根源。
- 如果最后一行不包含足够的信息，请向上追溯 traceback，看看是否可以确定错误发生在源代码的哪个位置。
- 如果所有错误消息都无法帮助您调试问题，请尝试在线搜索类似问题的解决方案。
huggingface_hub// 🤗 Hub? 库提供了一套工具，您可以使用它们与 Hub 上的仓库进行交互和调试。
现在您知道如何调试 pipeline 了，让我们看看模型本身的前向传播中一个更棘手的例子。
调试模型的前向传播
虽然 pipeline 对于大多数需要快速生成预测的应用程序来说非常棒，但有时您需要访问模型的 logits（例如，如果您想应用一些自定义后处理）。为了了解在这种情况下可能出现的问题，我们首先从 pipeline 中获取模型和分词器：
tokenizer = reader.tokenizer model = reader.model
接下来我们需要一个问题，所以我们来看看我们最喜欢的框架是否受支持：
question = "Which frameworks can I use?"正如我们在第 7 章中看到的，我们通常需要执行的步骤是：对输入进行分词，提取起始和结束标记的 logits，然后解码答案跨度：
import torch
inputs = tokenizer(question, context, add_special_tokens=True)
input_ids = inputs["input_ids"][0]
outputs = model(**inputs)
answer_start_scores = outputs.start_logits
answer_end_scores = outputs.end_logits
# Get the most likely beginning of answer with the argmax of the score
answer_start = torch.argmax(answer_start_scores)
# Get the most likely end of answer with the argmax of the score
answer_end = torch.argmax(answer_end_scores) + 1
answer = tokenizer.convert_tokens_to_string(
tokenizer.convert_ids_to_tokens(input_ids[answer_start:answer_end])
)
print(f"Question: {question}")
print(f"Answer: {answer}")"""
---------------------------------------------------------------------------
AttributeError Traceback (most recent call last)
/var/folders/28/k4cy5q7s2hs92xq7_h89_vgm0000gn/T/ipykernel_75743/2725838073.py in <module>
1 inputs = tokenizer(question, text, add_special_tokens=True)
2 input_ids = inputs["input_ids"]
----> 3 outputs = model(**inputs)
4 answer_start_scores = outputs.start_logits
5 answer_end_scores = outputs.end_logits
~/miniconda3/envs/huggingface/lib/python3.8/site-packages/torch/nn/modules/module.py in _call_impl(self, *input, **kwargs)
1049 if not (self._backward_hooks or self._forward_hooks or self._forward_pre_hooks or _global_backward_hooks
1050 or _global_forward_hooks or _global_forward_pre_hooks):
-> 1051 return forward_call(*input, **kwargs)
1052 # Do not call functions when jit is used
1053 full_backward_hooks, non_full_backward_hooks = [], []
~/miniconda3/envs/huggingface/lib/python3.8/site-packages/transformers/models/distilbert/modeling_distilbert.py in forward(self, input_ids, attention_mask, head_mask, inputs_embeds, start_positions, end_positions, output_attentions, output_hidden_states, return_dict)
723 return_dict = return_dict if return_dict is not None else self.config.use_return_dict
724
--> 725 distilbert_output = self.distilbert(
726 input_ids=input_ids,
727 attention_mask=attention_mask,
~/miniconda3/envs/huggingface/lib/python3.8/site-packages/torch/nn/modules/module.py in _call_impl(self, *input, **kwargs)
1049 if not (self._backward_hooks or self._forward_hooks or self._forward_pre_hooks or _global_backward_hooks
1050 or _global_forward_hooks or _global_forward_pre_hooks):
-> 1051 return forward_call(*input, **kwargs)
1052 # Do not call functions when jit is used
1053 full_backward_hooks, non_full_backward_hooks = [], []
~/miniconda3/envs/huggingface/lib/python3.8/site-packages/transformers/models/distilbert/modeling_distilbert.py in forward(self, input_ids, attention_mask, head_mask, inputs_embeds, output_attentions, output_hidden_states, return_dict)
471 raise ValueError("You cannot specify both input_ids and inputs_embeds at the same time")
472 elif input_ids is not None:
--> 473 input_shape = input_ids.size()
474 elif inputs_embeds is not None:
475 input_shape = inputs_embeds.size()[:-1]
AttributeError: 'list' object has no attribute 'size'
"""哦，天哪，看来我们的代码有 bug！但我们不怕一点点调试。您可以在 notebook 中使用 Python 调试器：
或在终端中：
在这里，阅读错误消息告诉我们 'list' object has no attribute 'size'，我们可以看到一个 --> 箭头指向 model(**inputs) 中引发问题的行。您可以使用 Python 调试器以交互方式调试此问题，但现在我们只打印 inputs 的一个切片以查看我们有什么：
inputs["input_ids"][:5][101, 2029, 7705, 2015, 2064]这看起来确实像一个普通的 Python list，但我们再检查一下类型：
type(inputs["input_ids"])list是的，这确实是一个 Python list。那么哪里出了问题呢？回顾第 2 章，🤗 Transformers 中的 AutoModelForXxx 类对张量（PyTorch 或 TensorFlow 中的）进行操作，一个常见的操作是使用 PyTorch 中的 Tensor.size() 等来提取张量的维度。让我们再看看 traceback，看看是哪一行触发了异常：
~/miniconda3/envs/huggingface/lib/python3.8/site-packages/transformers/models/distilbert/modeling_distilbert.py in forward(self, input_ids, attention_mask, head_mask, inputs_embeds, output_attentions, output_hidden_states, return_dict)
471 raise ValueError("You cannot specify both input_ids and inputs_embeds at the same time")
472 elif input_ids is not None:
--> 473 input_shape = input_ids.size()
474 elif inputs_embeds is not None:
475 input_shape = inputs_embeds.size()[:-1]
AttributeError: 'list' object has no attribute 'size'看起来我们的代码尝试调用 input_ids.size()，但这对于仅作为容器的 Python list 显然不起作用。我们如何解决这个问题呢？在 Stack Overflow 上搜索错误消息会得到很多相关的结果。点击第一个显示了一个与我们类似的问题，答案如下面的截图所示：
答案建议我们在分词器中添加 return_tensors='pt'，所以让我们看看这是否对我们有效：
inputs = tokenizer(question, context, add_special_tokens=True, return_tensors="pt")
input_ids = inputs["input_ids"][0]
outputs = model(**inputs)
answer_start_scores = outputs.start_logits
answer_end_scores = outputs.end_logits
# Get the most likely beginning of answer with the argmax of the score
answer_start = torch.argmax(answer_start_scores)
# Get the most likely end of answer with the argmax of the score
answer_end = torch.argmax(answer_end_scores) + 1
answer = tokenizer.convert_tokens_to_string(
tokenizer.convert_ids_to_tokens(input_ids[answer_start:answer_end])
)
print(f"Question: {question}")
print(f"Answer: {answer}")"""
Question: Which frameworks can I use?
Answer: pytorch, tensorflow, and jax
"""太好了，成功了！这是一个很好的例子，说明 Stack Overflow 是多么有用：通过发现类似问题，我们能够受益于社区中其他人的经验。然而，这样的搜索并非总能得到相关的答案，那么在这种情况下您该怎么办呢？幸运的是，Hugging Face 论坛上有一个友好的开发者社区可以帮助您！在下一节中，我们将看看如何提出好的论坛问题，这些问题很可能得到回答。
< > 在 GitHub 上更新