打卡

目录

打卡

预装环境

流程简述

部分执行结果演示

词向量加载过程

模型结构

模型训练过程

模型预测过程

代码

预装环境

pip install -i https://pypi.mirrors.ustc.edu.cn/simple mindspore==2.2.14 pip install mindnlp pip install jieba  pip install spacy pip install ftfy 

环境变量设置：HF_ENDPOINT=https://hf-mirror.com

流程简述

任务：用IMDB开源标注数据集，微调开源的预训练模型GPT，实现对话情绪识别。

1、数据集准备：IMDB数据集，从 https://mindspore-website.obs.myhuaweicloud.com/notebook/datasets/aclImdb_v1.tar.gz 下载数据集并按照7:3切分为训练和验证集。

2、加载TOKEN：用 mindnlp.transformers.GPTTokenizer 加载 tokenizer，并为其添加3个特殊的TOKEN（"bos_token"、"eos_token"、"pad_token"）

3、预处理训练、验证、测试数据集，包括将文本数据进行tokenizer，并根据设备类型对数据进行批处理和填充，其中训练集打散。

4、预训练模型微调设置：

1. 用 mindnlp.transformers.GPTForSequenceClassification 加载预训练的 'openai-gpt' 模型，用于序列分类，配置指定模型的输出标签数量为2（通常是二分类任务）。
2. 基于第二个步骤的 tokenzier，为预训练模型配置填充（padding）token ID。
3.  为预训练模型配置调整token嵌入层的尺寸（+3，因为第二个步骤手动添加了3个特殊的TOKEN）。
4. 定义模型优化器为 nn.Adam ，用于在训练过程中更新模型的参数，学习率设置为2e-5。
5. 定义了一个准确率指标 （ metric=mindnlp._legacy.metrics.Accuracy() ），用于评估模型的性能。
6. 定义2个回调函数，一个用于保存每个epoch的模型检查点，另一个用于保存最佳模型。

5、开始训练：创建训练器 （mindnlp._legacy.engine.Trainer）并训练，该训练器可以接收模型、训练数据集、评估数据集、评估指标、训练轮数、优化器、回调函数列表以及是否启用JIT编译的选项。

6、创建评估器并评估模型：创建评估器（mindnlp._legacy.engine.Evaluator），用于在测试数据集dataset_test上评估模型的性能。评估器使用了之前定义的预训练模型和评估指标metric。

部分执行结果演示

词向量加载过程

看到词表大小为 40478，模型维度长512，右侧截断，一共有4种特殊的token.

模型结构

模型训练过程

loss降低到了0.2599，精度达到了 0.9421 。一般水平。 

模型预测过程

代码

import os import numpy as np import mindspore from mindspore.dataset import text, GeneratorDataset, transforms from mindnlp.dataset import load_dataset from mindnlp.transformers import GPTTokenizer from mindspore import nn from mindnlp._legacy.engine import Trainer, Evaluator from mindnlp._legacy.engine.callbacks import CheckpointCallback, BestModelCallback from mindnlp._legacy.metrics import Accuracy from mindnlp.transformers import GPTForSequenceClassification from mindspore.experimental.optim import Adam   def process_dataset(dataset, tokenizer, max_seq_len=512, batch_size=4, shuffle=False):     """     dataset: 待处理的数据集。     tokenizer: 用于将文本转换为token的tokenizer对象.     max_seq_len: 文本序列的最大长度，默认为512。     batch_size: 批处理的大小，默认为4。     shuffle: 是否对数据集进行随机打乱，默认为False。     """     ## 判断当前设备目标是否为Ascend（华为的昇腾处理器）。如果是，则is_ascend为True。     is_ascend = mindspore.get_context('device_target') == 'Ascend'     def tokenize(text):         # 定义了一个内部函数tokenize，用于将文本转换为tokens。         # 根据is_ascend的值来决定是否启用填充策略padding。函数返回token的input_ids和attention_mask。         if is_ascend:             tokenized = tokenizer(text, padding='max_length', truncation=True, max_length=max_seq_len)         else:             tokenized = tokenizer(text, truncation=True, max_length=max_seq_len)         return tokenized['input_ids'], tokenized['attention_mask']      if shuffle:         ## shuffle参数为True，则对数据集进行打乱          dataset = dataset.shuffle(batch_size)      # map dataset     ## 用map操作对数据集中的每个文本进行tokenization处理，将文本列text映射为input_ids和attention_mask。     dataset = dataset.map(operations=[tokenize], input_columns="text", output_columns=['input_ids', 'attention_mask'])     ## 将标签列label的数据类型转换为MindSpore的int32类型，并重命名为labels。     dataset = dataset.map(operations=transforms.TypeCast(mindspore.int32), input_columns="label", output_columns="labels")     #     # batch dataset     ## 根据设备类型将数据集分批处理。如果是在Ascend设备上，直接使用batch操作；否则，使用padded_batch操作来确保每个批次中的序列长度一致，不足部分使用pad token填充。     if is_ascend:         dataset = dataset.batch(batch_size)     else:         dataset = dataset.padded_batch(batch_size, pad_info={'input_ids': (None, tokenizer.pad_token_id),                                                              'attention_mask': (None, 0)})      return dataset   imdb_ds = load_dataset('imdb', split=['train', 'test']) imdb_train = imdb_ds['train'] imdb_test = imdb_ds['test'] print("imdb_train data_size: ", imdb_train.get_dataset_size()) print("imdb_test data_size: ", imdb_test.get_dataset_size())  # tokenizer gpt_tokenizer = GPTTokenizer.from_pretrained('openai-gpt') print("openai-gpt GPTTokenizer: ", gpt_tokenizer)  # add sepcial token:  special_tokens_dict = {     "bos_token": "",     "eos_token": "",     "pad_token": "", } num_added_toks = gpt_tokenizer.add_special_tokens(special_tokens_dict)  ## 训练集切分、处理 # split train dataset into train and valid datasets imdb_train, imdb_val = imdb_train.split([0.7, 0.3]) dataset_train = process_dataset(imdb_train, gpt_tokenizer, shuffle=True) dataset_val = process_dataset(imdb_val, gpt_tokenizer) dataset_test = process_dataset(imdb_test, gpt_tokenizer)  ### 预训练模型加载 # set bert config and define parameters for training model = GPTForSequenceClassification.from_pretrained('openai-gpt', num_labels=2) model.config.pad_token_id = gpt_tokenizer.pad_token_id model.resize_token_embeddings(model.config.vocab_size + 3)  optimizer = nn.Adam(model.trainable_params(), learning_rate=2e-5) metric = Accuracy()  # define callbacks to save checkpoints ckpoint_cb = CheckpointCallback(save_path='checkpoint', ckpt_name='gpt_imdb_finetune', epochs=1, keep_checkpoint_max=2) best_model_cb = BestModelCallback(save_path='checkpoint', ckpt_name='gpt_imdb_finetune_best', auto_load=True)  trainer = Trainer(network=model, train_dataset=dataset_train,                   eval_dataset=dataset_train, metrics=metric,                   epochs=1, optimizer=optimizer, callbacks=[ckpoint_cb, best_model_cb],                   jit=False)  ### 开始训练 trainer.run(tgt_columns="labels")  ### 开始评估 evaluator = Evaluator(network=model, eval_dataset=dataset_test, metrics=metric) evaluator.run(tgt_columns="labels")