前言
现在我们将看到如何在不使用Trainer类的情况下，获得与上一部分相同的结果。再次提醒，我们假设你已经完成了第二部分的数据处理。下面是一个涵盖你所需要的一切的简短总结：
from datasets import load_dataset
from transformers import AutoTokenizer, DataCollatorWithPadding
raw_datasets = load_dataset("glue", "mrpc")
checkpoint = "bert-base-uncased"
tokenizer = AutoTokenizer.from_pretrained(checkpoint)
def tokenize_function(example):
return tokenizer(example["sentence1"], example["sentence2"], truncation=True)
tokenized_datasets = raw_datasets.map(tokenize_function, batched=True)
data_collator = DataCollatorWithPadding(tokenizer=tokenizer)src link: https://huggingface.co/learn/nlp-course/chapter3/4
Operating System: Ubuntu 22.04.4 LTS
参考文档
准备训练
在实际编写我们的训练循环之前，我们需要定义一些对象。首先是我们将用来迭代批次的dataloader。但在定义这些dataloader之前，我们需要对我们的tokenized_datasets进行一些后处理，以处理Trainer自动为我们完成的一些事情。具体来说，我们需要：
- 删除模型不期望的列（如sentence1和sentence2列）。
- 将列label重命名为labels（因为模型期望参数名为labels）。
- 设置数据集的格式，使其返回PyTorch张量而不是列表。
我们的tokenized_datasets有一个方法可以完成上述每个步骤：
tokenized_datasets = tokenized_datasets.remove_columns(["sentence1", "sentence2", "idx"])
tokenized_datasets = tokenized_datasets.rename_column("label", "labels")
tokenized_datasets.set_format("torch")
tokenized_datasets["train"].column_names然后我们可以检查结果是否只包含我们的模型将接受的列：
["attention_mask", "input_ids", "labels", "token_type_ids"]现在这已经完成，我们可以轻松定义我们的dataloader：
from torch.utils.data import DataLoader
train_dataloader = DataLoader(
tokenized_datasets["train"], shuffle=True, batch_size=8, collate_fn=data_collator
)
eval_dataloader = DataLoader(
tokenized_datasets["validation"], batch_size=8, collate_fn=data_collator
)为了快速检查数据处理中是否有错误，我们可以像这样检查一个批次：
for batch in train_dataloader:
break
{k: v.shape for k, v in batch.items()}{'attention_mask': torch.Size([8, 65]),
'input_ids': torch.Size([8, 65]),
'labels': torch.Size([8]),
'token_type_ids': torch.Size([8, 65])}注意，实际的形状可能对你来说略有不同，因为我们为训练dataloader设置了shuffle=True，并且我们在批次内进行了填充以适应最大长度。
现在我们已经完成了数据预处理（这是任何机器学习实践者都希望达到但往往难以实现的目标），让我们来看看模型。我们将其实例化的方式与上一部分完全相同：
from transformers import AutoModelForSequenceClassification
model = AutoModelForSequenceClassification.from_pretrained(checkpoint, num_labels=2)为了确保在训练过程中一切顺利，我们将我们的批次传递给这个模型：
outputs = model(**batch)
print(outputs.loss, outputs.logits.shape)tensor(0.5441, grad_fn=<NllLossBackward>) torch.Size([8, 2])所有🤗 Transformers模型在提供标签时都会返回损失，同时我们还会得到logits（对于我们批次中的每个输入都有两个，所以是一个尺寸为8 x 2的张量）。
我们几乎准备好编写训练循环了！我们还缺两样东西：一个优化器和一个学习率调度器。由于我们试图手动复制Trainer所做的操作，我们将使用相同的默认设置。Trainer使用的优化器是AdamW，它与Adam相同，但对于权重衰减正则化有一个小变化（参见Ilya Loshchilov和Frank Hutter的“Decoupled Weight Decay Regularization”）：
from transformers import AdamW
optimizer = AdamW(model.parameters(), lr=5e-5)最后，默认使用的学习率调度器只是从最大值（5e-5）到0的线性衰减。为了正确定义它，我们需要知道我们将采取的训练步数，这是我们想要运行的epoch数乘以训练批次数（即我们训练dataloader的长度）。Trainer默认使用三个epoch，所以我们将遵循这个设置：
from transformers import get_scheduler
num_epochs = 3
num_training_steps = num_epochs * len(train_dataloader)
lr_scheduler = get_scheduler(
"linear",
optimizer=optimizer,
num_warmup_steps=0,
num_training_steps=num_training_steps,
)
print(num_training_steps)1377训练循环
最后一件事：如果我们能够访问GPU，我们会想要使用它（在CPU上，训练可能需要几个小时，而不是几分钟）。为了做到这一点，我们定义了一个设备，我们将把我们的模型和批次放在上面：
import torch
device = torch.device("cuda") if torch.cuda.is_available() else torch.device("cpu")
model.to(device)
devicedevice(type='cuda')现在我们准备好开始训练了！为了有个训练完成的时间概念，我们使用tqdm库在我们的训练步数上添加一个进度条：
from tqdm.auto import tqdm
progress_bar = tqdm(range(num_training_steps))
model.train()
for epoch in range(num_epochs):
for batch in train_dataloader:
batch = {k: v.to(device) for k, v in batch.items()}
outputs = model(**batch)
loss = outputs.loss
loss.backward()
optimizer.step()
lr_scheduler.step()
optimizer.zero_grad()
progress_bar.update(1)你可以看到，训练循环的核心部分与简介中的非常相似。我们没有要求任何报告，所以这个训练循环不会告诉我们模型的表现如何。我们需要添加一个评估循环来实现这一点。
评估循环
就像我们之前所做的，我们将使用🤗 Evaluate库提供的指标。我们已经看到了metric.compute()方法，但实际上指标可以在我们遍历预测循环时使用add_batch()方法为我们累积批次。一旦我们累积了所有批次，我们就可以使用metric.compute()得到最终结果。以下是如何在评估循环中实现所有这些：
import evaluate
metric = evaluate.load("glue", "mrpc")
model.eval()
for batch in eval_dataloader:
batch = {k: v.to(device) for k, v in batch.items()}
with torch.no_grad():
outputs = model(**batch)
logits = outputs.logits
predictions = torch.argmax(logits, dim=-1)
metric.add_batch(predictions=predictions, references=batch["labels"])
metric.compute(){'accuracy': 0.8431372549019608, 'f1': 0.8907849829351535}再次强调，由于模型头初始化和数据洗牌中的随机性，你的结果可能会有所不同，但它们应该在大致相同的范围内。
使用 🤗 Accelerate 超级加速你的训练循环
我们之前定义的训练循环在单个CPU或GPU上运行良好。但是，使用 🤗 Accelerate 库，只需做一些调整，我们就可以启用多个GPU或TPU上的分布式训练。从创建训练和验证dataloader开始，下面是我们手动训练循环的样子：
from transformers import AdamW, AutoModelForSequenceClassification, get_scheduler
model = AutoModelForSequenceClassification.from_pretrained(checkpoint, num_labels=2)
optimizer = AdamW(model.parameters(), lr=3e-5)
device = torch.device("cuda") if torch.cuda.is_available() else torch.device("cpu")
model.to(device)
num_epochs = 3
num_training_steps = num_epochs * len(train_dataloader)
lr_scheduler = get_scheduler(
"linear",
optimizer=optimizer,
num_warmup_steps=0,
num_training_steps=num_training_steps,
)
progress_bar = tqdm(range(num_training_steps))
model.train()
for epoch in range(num_epochs):
for batch in train_dataloader:
batch = {k: v.to(device) for k, v in batch.items()}
outputs = model(**batch)
loss = outputs.loss
loss.backward()
optimizer.step()
lr_scheduler.step()
optimizer.zero_grad()
progress_bar.update(1)以下是所做的更改：
+ from accelerate import Accelerator
from transformers import AdamW, AutoModelForSequenceClassification, get_scheduler
+ accelerator = Accelerator()
model = AutoModelForSequenceClassification.from_pretrained(checkpoint, num_labels=2)
optimizer = AdamW(model.parameters(), lr=3e-5)
- device = torch.device("cuda") if torch.cuda.is_available() else torch.device("cpu")
- model.to(device)
+ train_dataloader, eval_dataloader, model, optimizer = accelerator.prepare(
+ train_dataloader, eval_dataloader, model, optimizer
+ )
num_epochs = 3
num_training_steps = num_epochs * len(train_dataloader)
lr_scheduler = get_scheduler(
"linear",
optimizer=optimizer,
num_warmup_steps=0,
num_training_steps=num_training_steps
)
progress_bar = tqdm(range(num_training_steps))
model.train()
for epoch in range(num_epochs):
for batch in train_dataloader:
- batch = {k: v.to(device) for k, v in batch.items()}
outputs = model(**batch)
loss = outputs.loss
- loss.backward()
+ accelerator.backward(loss)
optimizer.step()
lr_scheduler.step()
optimizer.zero_grad()
progress_bar.update(1)首先需要添加的是导入行。第二行实例化了一个 Accelerator 对象，它将检查环境并初始化适当的分布式设置。🤗 Accelerate 为你处理设备放置，所以你可以删除将模型放在设备上的行（或者，如果你愿意，可以将它们改为使用 accelerator.device 而不是 device）。
然后，主要的工作是在将dataloader、模型和优化器发送到 accelerator.prepare() 的行中完成的。这将把这些对象包装在适当的容器中，以确保你的分布式训练按预期工作。剩下的更改是删除将批次放在设备上的行（再次强调，如果你想要保留这个操作，你可以只是将其改为使用 accelerator.device），并将 loss.backward() 替换为 accelerator.backward(loss)。
⚠️ 为了利用 Cloud TPU 提供的速度提升，我们建议使用 tokenizer 的 padding=”max_length” 和 max_length 参数将你的样本填充到固定长度。
如果你想要复制粘贴来尝试，下面是使用 🤗 Accelerate 的完整训练循环的样子：
from accelerate import Accelerator
from transformers import AdamW, AutoModelForSequenceClassification, get_scheduler
accelerator = Accelerator()
model = AutoModelForSequenceClassification.from_pretrained(checkpoint, num_labels=2)
optimizer = AdamW(model.parameters(), lr=3e-5)
train_dl, eval_dl, model, optimizer = accelerator.prepare(
train_dataloader, eval_dataloader, model, optimizer
)
num_epochs = 3
num_training_steps = num_epochs * len(train_dl)
lr_scheduler = get_scheduler(
"linear",
optimizer=optimizer,
num_warmup_steps=0,
num_training_steps=num_training_steps,
)
progress_bar = tqdm(range(num_training_steps))
model.train()
for epoch in range(num_epochs):
for batch in train_dl:
outputs = model(**batch)
loss = outputs.loss
accelerator.backward(loss)
optimizer.step()
lr_scheduler.step()
optimizer.zero_grad()
progress_bar.update(1)将这段代码放入 train.py 脚本中，将使该脚本能够在任何类型的分布式设置上运行。要在你的分布式设置中尝试，请运行以下命令：
accelerate config这将提示你回答几个问题，并将你的答案转储到这个命令使用的配置文件中：
accelerate launch train.py这将启动分布式训练。
如果你想在笔记本中尝试这个（例如，在Colab上测试TPU），只需将代码粘贴到一个 training_function() 中，并在最后一个单元格中运行：
from accelerate import notebook_launcher
notebook_launcher(training_function)你可以在 🤗 Accelerate 仓库中找到更多示例。
结语
第二百一十八篇博文写完，开心！！！！
今天，也是充满希望的一天。
