本文分享自华为云社区《全套解决方案:基于pytorch、transformers的中文NLP训练框架,支持大模型训练和文本生成,快速上手,海量训练数据》,作者: 汀丶 。
1.简介
目标
:基于pytorch
、transformers
做中文领域的nlp开箱即用的训练框架,提供全套的训练、微调模型(包括大模型、文本转向量、文本生成、多模态等模型)的解决方案;
数据
:从开源社区,整理了海量的训练数据,帮助用户可以快速上手;
同时也开放训练数据模版,可以快速处理垂直领域数据;
结合多线程、内存映射等更高效的数据处理方式,即使需要处理百GB
规模的数据,也是轻而易举;
流程
:每一个项目有完整的模型训练步骤,如:数据清洗、数据处理、模型构建、模型训练、模型部署、模型图解;
模型
:当前已经支持gpt2
、clip
、gpt-neox
、dolly
、llama
、chatglm-6b
、VisionEncoderDecoderModel
等多模态大模型;
多卡串联
:当前,多数的大模型的尺寸已经远远大于单个消费级显卡的显存,需要将多个显卡串联,才能训练大模型、才能部署大模型。因此对部分模型结构进行修改,实现了训练时
、推理时
的多卡串联功能。
模型训练
2.文本分类模型
本部分,介绍中文的文本分类模型,适用于二分类、多分类等情况。使用transformers库。
-
处理数据
code_01_processdata.ipynb
-
数据介绍本案例使用的是一个外卖平台的评论数据,对评论的文本做了分类(分为好评和差评)当你把
code_01_processdata.ipynb
文件跑完之后,就可以看到在📁data_all
里面有一个📁data
,里面有三个文件,样式都是像下面👇这样的
上图是一个batch
的数据,或者所有的文本分类的数据样式:
-
text
下面的红色条,就是一个个句子。 -
label
里面有红色有绿色,就是表示标签分类。 -
transformers
包做分类的时候,数据要求就这两列。
注意点:
数据需要分为train_data.csv
,test_data.csv
,valid_data.csv
,这三个csv
文件注意是使用,
分割开的。
数据不可以有缺失值
数据最好只含有两列:label
,text
-
label
:表示标签,最好为整型数值。0,1,2,3,4等 -
text
:表示文本,(看你需求,可以有符号,也可以没有标点符号)
train_data.csv
,test_data.csv
,valid_data.csv
这三个数据里面,不要有数据相同的,不然会造成数据泄漏。
训练模型code_02_trainmodel.ipynb
数据训练流程
以一个batch为例:
-
Tokenizer
会将数据中的text
转换成三个矩阵(或者叫三个Tensor
),分别叫input_ids
,token_type_ids
,attention_mask
,至于怎么转换的,我们先不做详细介绍(本仓库后续会介绍)。 -
pretrained model
在被加载之前,需要设置一大堆模型的参数,至于要设置什么参数,我们也不做详细介绍。 -
Trainer
就是一个训练器,也需要预先设置好一大堆参数。至于要设置什么参数,我们也不做详细介绍。 -
Trainer
会把input_ids
,token_type_ids
,attention_mask
;还有数据自带的标签label
;还有pretrained model
都加载进来,进行训练; -
当所有batch的数据更新完之后,最终就会生成一个模型。
your new model
就诞生了。 -
对于刚开始学习
大模型做nlp分类
的任务,其实不需要考虑那么多细节,只需要注意数据流程。
注意点:
-
这个步骤非常看显存大小。显卡显存越大越好。
batch_size
,eval_size
大小取决于显存大小。 -
在实际工程中,会先使用
Tokenizer
把所有的文本转换成input_ids
,token_type_ids
,attention_mask
,然后在训练的时候,这步就不再做了,目的是减少训练过程中cpu处理数据的时间,不给显卡休息时间。 -
在使用
Tokenizer
把所有的文本做转换的期间,如果设置的文本的长度上限为64,那么会把大于64的文本截断;那些少于64的文本,会在训练的时候,在喂入模型之前,把长度补齐,这么做就是为了减少数据对内存的占用。
预测code_03_predict.ipynb
这个时候,就是搞个句子,然后丢给一个pipeline
(这个就是把Tokenizer
和你的大模型
放在一起了),然后这个pipeline
就给你返回一个分类结果。
常见的就是使用pipeline
,如果更加复杂的话,比如修改模型,这个时候,就比较复杂了(后面会再次介绍)。
部署
简单的部署
相对于预测
,其实就是再加一层web端口,fastapi包就可以实现。
高级一点的部署
相对于预测
,就需要把模型从pytorch
转换成onnx
格式的,这样可以提高推理效率(也不一定,就是举个例子),可能也不会使用web端口(http协议)了,会使用rpc协议等方法。这部分现在先不看。
3.中文gpt2
本文,将介绍如何使用中文语料,训练一个gpt2
可以使用你自己的数据训练,用来:写新闻、写古诗、写对联等
我这里也训练了一个中文gpt2模型,使用了612万
个样本,每个样本有512个tokens,总共相当于大约31亿个tokens
- 安装包
需要准备好环境,也就是安装需要的包
pip install -r requirements.txt
像是pytorch
这种基础的包肯定也是要安装的,就不提了。
-
数据来源
获得数据:数据链接,关注公众号【
统计学人
】,然后回复【gpt2
】即可获得。获得我训练好的模型(使用了15GB的数据(
31亿个tokens
),在一张3090上,训练了60多小时) -
数据格式
数据其实就是一系列文件夹📁,然后每一个文件夹里面有大量的文件,每一个文件都是.csv
格式的文件。其中有一列数据是content
每一行的content
就代表一句话,截图如下
虽然数据有15GB那么大,但是处理起来一点也不复杂,使用 datasets
包,可以很轻松的处理大数据,而我只需要传递所有的文件路径即可,这个使用 glob
包就能完成。
- 训练代码
train_chinese_gpt2.ipynb
现在训练一个gpt2代码,其实很简单的。抛开处理数据问题,技术上就三点:tokenizer
、gpt2_model
、Trainer``tokenizer
使用的是bert-base-chinese,然后再添加一下bos_token
、eos_token
、pad_token
。
gpt2_model
使用的是gpt2,这里的gpt2我是从0开始训练的。而不是使用别人的预训练的gpt2
模型。
Trainer
训练器使用的就是transformers
的Trainer
模块。(支撑多卡并行,tensorboard等,都写好的,直接调用就行了,非常好用)
- 模型
模型已经上传到huggingface
上了 huggingface.co/yuanzhoulvp…
- 推理代码
infer.ipynb
这个是chinese-gpt2
的推理代码
将代码中的model_name_or_path = "checkpoint-36000"
里面的"checkpoint-36000"
,修改为模型所在的路径。
然后运行下面一个代码块,即可输出文本生成结果
可以参考这个代码,制作一个api,或者打包成一个函数或者类。
- 交互机器人界面
chatbot.py
修改代码里面的第4行,这一行值为模型所在的位置,修改为我分享的模型文件路径。
model_name_or_path = "checkpoint-36000"
运行
python chatbot.py
点击链接,即可在浏览器中打开机器人对话界面
- 更多
-
这个完整的项目下来,其实我都是全靠
huggingface
文档、教程度过来的. -
我做的东西,也就是把
Tokenizer
改成中文的了,然后也整理了数据,别的大部分东西,都不是我做的了.
其实,我更喜欢做应用,但是也要理解相关的背后原理,目前还在研究相关的gpt2原理还有相关的推理细节,这是我整理的链接,希望可以共同进步
4.中文clip模型
本文将介绍,如何从0到1的训练一个中文clip模型。
在处理数据的过程中,训练的过程中,需要的注意事项。
从数据流的角度,看看clip模型是怎么处理数据的,模型是怎么构建的。image和text的模型的差异性,两个模型是怎么合并起来计算loss的。
- clip模型介绍
CLIP的英文全称是Contrastive Language-Image Pre-training,即一种基于对比文本-图像对的预训练方法或者模型。
CLIP是一种基于对比学习的多模态模型,与CV中的一些对比学习方法如moco和simclr不同的是,CLIP的训练数据是文本-图像对
:一张图像和它对应的文本描述,这里希望通过对比学习,模型能够学习到文本-图像对的匹配关系。
如下图所示,CLIP包括两个模型:
-
Text Encoder和Image Encoder,其中Text Encoder用来提取文本的特征,可以采用NLP中常用的text transformer模型;
-
Image Encoder用来提取图像的特征,可以采用常用CNN模型或者vision transformer。
上面这段文字来源于zhuanlan.zhihu.com/p/493489688
从数据上看:之前相似度计算,都是两个文本对:text - text
。只不过现在都是text - image
了。
clip是两个模型(具体长什么样子,后面再说)
-
text-model
:负责把text
转换成向量。 -
image-model
:负责把image
转换成向量。 -
然后把上面两个向量,做交叉计算loss,然后loss反向传播,这样两个模型的参数都会更新。
其实你想啊,这个image-model
处理图像的,其实也可以改为处理视频、处理3d模型等。那简直是格局打开🫴了。我现在没有数据,后面也打算做一个。
你再想想,text-image
=> text-image-video-3d
这样联合起来,是不是更好。没数据,没机器,做不了。
有些人可能感觉,你这人,就知道TMD吹牛
,来来来,我带你研究研究clip模型的源码。
- 数据
直接点击链接pan.baidu.com/s/1wGmXUNP0…
来获得。
把下载好的文件,也就是test-2.6w.csv
、train-137w.csv
放在文件夹📁bigdata/raw_data
里面。
以此运行processdta_01.ipynb
、processdta_02.ipynb
、processdta_02.ipynb
用来处理数据。
-
processdta_01.ipynb
:用来下载数据,大概下载了10多个小时。 -
processdta_02.ipynb
:用来筛选数据,不是所有的图片数据都是可以用的,这一步非常坑。需要留意。如果图片没有筛选好,在你训练到中间的时候,突然一下因为图片无法加载导致错误,从而训练中断了。 -
processdta_03.ipynb
:用来把数据干净的数据处理好,合并好,生成新的,漂亮的训练数据。
其实完整下来看,数据清洗,就是把符合格式的照片筛选出来,然后进行训练。
- 数据总结
说到底,你的数据只要整理成这样的一个样式即可
text
:这一列对应图片的标注,或者和图片相关的文本。
image_path
:这一列对应图片所在你电脑本地上的路径。
是的,搞了半天,数据就是这么简单。
- 数据预处理
这里的数据预处理,是我随便起的名字。说白了,就是这么会是:
-
使用
tokenizer
把text
转换成input_ids
和attention_mask
. -
使用
processor
把image
转换成pixel_values
. -
处理
text
,那还是很快的。百万级别的数据,可能2~3分钟就行了。 -
因为
image
太大了,只能在训练的时候,每一batch,才能去加载image
,这就导致训练的时候特别慢。倒不是因为我的3090算力不行,全都TMD
卡在计算机IO上了,非常让人难受。
- 模型部分
终于讲解到clip的模型部分了。这个clip模型实在是太灵活了,你可以做很多个版本,这里我们挑几个比较常见的结构,来分享一下。
- 常见的clip模型
这里值得是常见的clip模型,特指的是transformers
包的clip模型。
clip主要就是分为两个部分,一个是CLIPTextTransformer
,一个是CLIPVisionTransformer
,说白了就是一个处理text,一个处理image。
CLIPTextTransformer
和CLIPVisionTransformer
的核心,都共用了一个模型结构CLIPEncoder
。也就是CLIP编码部分。(这里说的共用,值得是模型框架相同,而不是模型训练的时候,参数也相同。)
Q:有些人就问了,text和image两个生成的数据都不一样,比如text
转换成input_ids
和attention_mask
;image
转换成pixel_values
;他们怎么可以使用一个模型结构CLIPEncoder
?
A:这个也是非常好回答的,因他俩又不是直接使用CLIPEncoder
,前后都加了一些万金油的模型组件(比如embedding
、linear
等),模型输出的时候,也是这么做的。还是应了那句话,就看你怎么吧数据转换成hidden_states
,以及怎么把hidden_states
输出出去。
Q:CLIPTextTransformer
和CLIPVisionTransformer
输出的维度也不一定一样吧,怎么计算交叉损失?
A: 也很简单啦,加个linear
对齐一下就行了。
看看CLIPTextTransformer
和CLIPVisionTransformer
的内心:
- 中文版本的clip模型
上面的常见的clip模型
,确实是好,其实你只要换一个支持中文的新tokenizer
,然后从0️⃣开始训练即可。
但是这么搞,没什么创意呀。其实我第一次就是这么干的,直接支持中文的新tokenizer
。但是训练了一天,loss基本上没变化。我内心其实是崩溃的。
后来,我研究了一下transformers
包里面的chinese-clip
模型代码。我发现,chinese-clip
相对于clip
。就是把常规的CLIPTextTransformer
换成了bert
版本的。啊对,这就破案了。这个奉上代码截图。
- 后续改进
因为训练image这类型的任务,非常吃资源,不管是我的显存还是我的磁盘。目前数据占用我硬盘100GB
针对loss不下降,下次如果再让我做,我打算先把clip
模型的vit
部分先固定住,然后训练bert来拟合vit-output
。
也可也固定bert模型,训练vit模型;
也可以拆开做,反正本质上都是Encoder
,然后计算相似度。
5. 图生文image-encoder-decoder
之前在huggingfacehttps://huggingface.co/nlpconnect/vit-gpt2-image-captioning上看到这个模型.
感觉这个模型很有趣,想法很好。
发现这个模型关于中文的不多。
之前的clip
训练其实挺失败的,loss
没有下降。
主要也就是抱着学习的态度,把源码看懂,把流程跑通。分享中间的细节和踩坑经历。
-
使用
vit
来作为encoder
部分,输出encoder_hidden_states
,绿色部分1
。 -
使用
gpt2
来作为decoder
部分,接受encoder_hidden_states
,绿色部分3
。 -
如果
encoder
输出的encoder_hidden_states
和decoder
接受的encoder_hidden_states
维度不一样,就加个linear
,绿色部分2
。
模型训练需要的数据样式
训练的时候,模型需要的数据主要有两个维度:
-
pixel_value
:image
通过processor
生成 -
label
:text
通过tokenizer
生成的input_ids
。 -
计算
loss
的时候,其实和gpt2
一模一样的(自回归,本质上就是向后错位一下)。
目前已经把训练好的模型,发布在huggingface
上了。huggingface.co/yuanzhoulvp…
本模块处理数据的方式和clip
模型差不多,可以看隔壁文件夹,训练clip
的数据处理思路。
-
只要把
processdta_02.ipynb
文件替换即可。 -
执行顺序依然按照着
processdta_01.ipynb
、processdta_02.ipynb
、processdta_03.ipynb
。
训练部分train_encoder_decoder.ipynb
-
处理图像,使用的是
"google/vit-base-patch16-224"
模型。 -
处理文本,使用的是
"yuanzhoulvpi/gpt2_chinese"
模型。 -
最后就是把两个模型通过
VisionEncoderDecoderModel
粘起来。
训练的loss
训练的信息
gpu使用的是3090,模型大概是2.16亿个参数。花了超过20个小时。但是大部分时间都是卡在IO上(加载图片上)
推理用你自己训练
参考infer_encoder_decoder.ipynb
直接用
from transformers import (VisionEncoderDecoderModel,
AutoTokenizer,ViTImageProcessor)
import torch
from PIL import Image
vision_encoder_decoder_model_name_or_path = "yuanzhoulvpi/vit-gpt2-image-chinese-captioning"#"vit-gpt2-image-chinese-captioning/checkpoint-3200"
processor = ViTImageProcessor.from_pretrained(vision_encoder_decoder_model_name_or_path)
tokenizer = AutoTokenizer.from_pretrained(vision_encoder_decoder_model_name_or_path)
model = VisionEncoderDecoderModel.from_pretrained(vision_encoder_decoder_model_name_or_path)
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
model.to(device)
max_length = 16
num_beams = 4
gen_kwargs = {"max_length": max_length, "num_beams": num_beams}
def predict_step(image_paths):
images = []
for image_path in image_paths:
i_image = Image.open(image_path)
if i_image.mode != "RGB":
i_image = i_image.convert(mode="RGB")
images.append(i_image)
pixel_values = processor(images=images, return_tensors="pt").pixel_values
pixel_values = pixel_values.to(device)
output_ids = model.generate(pixel_values, **gen_kwargs)
preds = tokenizer.batch_decode(output_ids, skip_special_tokens=True)
preds = [pred.strip() for pred in preds]
return preds
predict_step(['bigdata/image_data/train-1000200.jpg'])
6.vit 源码
之前都搞过clip
、image-encoder-decoder
。现在哪里还怕搞不懂vit
。
这里主要分享一下vit
的最核心的部分。
- vit 核心的数据内容
vit想法非常牛,但是数据处理的思想更牛,之前都没提出来过。
载对于一个图片,将一个图片分割成N块。巧妙的使用nn.Conv2d
。
-
初始化
import torch
from torch import nn#base parameter
image_size=224 # 图片的width和height
patch_size=16 # 将图片的分为块,每一块的大小为16×16,这样就有(224//16)^2 = 14 ^2 = 196个
num_channels=3 # R,G, B
hidden_size=768 # 输出的hidden_size
batch_size = 16 # 一批数据有多少 -
创建一个分块器和一个样本数据(一个
batch
)#分块器
project = nn.Conv2d(num_channels, hidden_size, kernel_size=patch_size, stride=patch_size)#样本数据(一个
batch
)
#batch_size, num_channels, height, width = pixel_values.shape
pixel_values = torch.randn(batch_size, num_channels, image_size, image_size)pixel_values.shape
-
输出分块的大小
project(pixel_values).shape
#> torch.Size([16, 768, 14, 14])
-
数据再转换一下,image的embedding就完成了。
image_embedding = project(pixel_values).flatten(2).transpose(1, 2)
image_embedding.shape
#> torch.Size([16, 196, 768]) # batch_size, seq_length, embedding_dim
这个时候,就已经和文本的数据一样了。维度都是(batch_size, seq_length, embedding_dim
),再向下推导,就是transformers
了。没什么可介绍的了。