首页 > 其他分享 >BERT训练环节(代码实现)

BERT训练环节(代码实现)

时间:2024-09-30 16:49:00浏览次数:9  
标签:02 BERT 00 01 代码 环节 mlm tokens encoded

1.代码实现

#导包
import torch
from torch import nn
import dltools
#加载数据需要用到的声明变量
batch_size, max_len = 1, 64
#获取训练数据迭代器、词汇表
train_iter, vocab = dltools.load_data_wiki(batch_size, max_len)
#其余都是二维数组
#tokens, segments, valid_lens(一维), pred_position, mlm_weights, mlm, nsp(一维)对应每条数据i中包含的数据
for i in train_iter:  #遍历迭代器
    break   #只遍历一条数据
[tensor([[    3,    25,     0,  4993,     0,    24,     4,    26,    13,     2,
            158,    20,     5,    73,  1399,     2,     9,   813,     9,   987,
             45,    26,    52,    46,    53,   158,     2,     5,  3140,  5880,
              9,   543,     6,  6974,     2,     2,   315,     6,     8,     5,
           8698,     8, 17229,     9,   308,     2,     4,     1,     1,     1,
              1,     1,     1,     1,     1,     1,     1,     1,     1,     1,
              1,     1,     1,     1]]),
 tensor([[0, 0, 0, 0, 0, 0, 0, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
          1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 0,
          0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0]]),
 tensor([47.]),
 tensor([[ 9, 15, 26, 32, 34, 35, 45,  0,  0,  0]]),
 tensor([[1., 1., 1., 1., 1., 1., 1., 0., 0., 0.]]),
 tensor([[ 484, 1288,   20,    6, 2808,    9,   18,    0,    0,    0]]),
 tensor([0])]
#创建BERT网络模型
net = dltools.BERTModel(len(vocab), num_hiddens=128, norm_shape=[128], 
                        ffn_num_input=128, ffn_num_hiddens=256, num_heads=2, 
                        num_layers=2, dropout=0.2, key_size=128, query_size=128, 
                        value_size=128, hid_in_features=128, mlm_in_features=128, 
                        nsp_in_features=128)
#调用设备上的GPU
devices = dltools.try_all_gpus()
#损失函数对象
loss = nn.CrossEntropyLoss()   #多分类问题,使用交叉熵
#@save    #表示用于指示某些代码应该被保存或导出,以便于管理和重用
def _get_batch_loss_bert(net, loss, vocab_size, tokens_X, segments_X, valid_lens_x, pred_positions_X, mlm_weights_X, mlm_Y, nsp_y):
    #前向传播
    #获取遮蔽词元的预测结果、下一个句子的预测结果
    _, mlm_Y_hat, nsp_Y_hat = net(tokens_X, segments_X, valid_lens_x.reshape(-1), pred_positions_X)
    #计算遮蔽语言模型的损失
    mlm_l = loss(mlm_Y_hat.reshape(-1, vocab_size), mlm_Y.reshape(-1)) * mlm_weights_X.reshape(-1,1)
    mlm_l = mlm_l.sum() / (mlm_weights_X.sum() + 1e-8)   #MLM损失函数的归一化版本   #加一个很小的数1e-8,防止分母为0,抵消上一行代码乘以的数值
    #计算下一个句子预测任务的损失
    nsp_l = loss(nsp_Y_hat, nsp_y)
    l = mlm_l + nsp_l
    return mlm_l, nsp_l, l  
def train_bert(train_iter, net, loss, vocab_size, devices, num_steps):  #文本词元样本量太多,全跑完花费的时间太多,若num_steps=1在BERT中表示,跑了1个batch_size
    net = nn.DataParallel(net, device_ids=devices).to(devices[0])  #调用设备的GPU
    trainer = torch.optim.Adam(net.parameters(), lr=0.01)   #梯度下降的优化算法Adam
    step, timer = 0, dltools.Timer()  #设置计时器
    #调用画图工具
    animator = dltools.Animator(xlabel='step', ylabel='loss', xlim=[1, num_steps], legend=['mlm', 'nsp'])
    #遮蔽语言模型损失的和, 下一句预测任务损失的和, 句子对的数量, 计数
    metric = dltools.Accumulator(4)  #Accumulator类被设计用来收集和累加各种指标(metric)
    num_steps_reached = False  #设置一个判断标志, 训练步数是否达到预设的步数
    while step < num_steps and not num_steps_reached:
        for tokens_X, segments_X, valid_lens_x, pred_positions_X, mlm_weights_X, mlm_Y, nsp_y in train_iter:
            #将遍历的数据发送到设备上
            tokens_X = tokens_X.to(devices[0])
            segments_X = segments_X.to(devices[0])
            valid_lens_x = valid_lens_x.to(devices[0])
            pred_positions_X = pred_positions_X.to(devices[0])
            mlm_weights_X = mlm_weights_X.to(devices[0])
            mlm_Y, nsp_y = mlm_Y.to(devices[0]), nsp_y.to(devices[0])
            
            #梯度清零
            trainer.zero_grad()
            timer.start()  #开始计时
            mlm_l, nsp_l, l = _get_batch_loss_bert(net, loss, vocab_size, tokens_X, segments_X, valid_lens_x, pred_positions_X, mlm_weights_X, mlm_Y, nsp_y)
            l.backward()  #反向传播
            trainer.step()  #梯度更新
            metric.add(mlm_l, nsp_l, tokens_X.shape[0], l)  #累积的参数指标
            timer.stop() #计时停止
            animator.add(step + 1, (metric[0] / metric[3], metric[1] / metric[3]))  #画图的
            step += 1  #训练完一个batch_size,就+1
            if step == num_steps:  #若步数与预设的训练步数相等
                num_steps_reached = True   #判断标志改为True
                break  #退出while循环
    
    print(f'MLM loss {metric[0] / metric[3]:.3f}, 'f'NSP loss {metric[1] / metric[3]:.3f}')
    print(f'{metric[2]/ timer.sum():.1f} sentence pairs/sec on 'f'{str(devices)}')
   
train_bert(train_iter, net, loss, len(vocab), devices, 500)

 

def get_bert_encoding(net, tokens_a, tokens_b=None):
    tokens, segments = dltools.get_tokens_and_segments(tokens_a, tokens_b)
    token_ids = torch.tensor(vocab[tokens], device=devices[0]).unsqueeze(0)  #unsqueeze(0)增加一个维度
    segments = torch.tensor(segments, device=devices[0]).unsqueeze(0)  
    valid_len = torch.tensor(len(tokens), device=devices[0]).unsqueeze(0)
    endoced_X, _, _ = net(token_ids, segments, valid_len)
    return endoced_X
tokens_a = ['a', 'crane', 'is', 'flying']
encoded_text = get_bert_encoding(net, tokens_a)
# 词元:'<cls>','a','crane','is','flying','<sep>'
encoded_text_cls = encoded_text[:, 0, :]
encoded_text_crane = encoded_text[:, 2, :]
encoded_text.shape, encoded_text_cls.shape, encoded_text_crane[0][:3]
(torch.Size([1, 6, 128]),
 torch.Size([1, 128]),
 tensor([-0.5872, -0.0510, -0.7376], device='cuda:0', grad_fn=<SliceBackward0>))
encoded_text_crane

 

tensor([[-5.8725e-01, -5.0994e-02, -7.3764e-01, -4.3832e-02,  9.2467e-02,
          1.2745e+00,  2.7062e-01,  6.0271e-01, -5.5055e-02,  7.5122e-02,
          4.4872e-01,  7.5821e-01, -6.1558e-02, -1.2549e+00,  2.4479e-01,
          1.3132e+00, -1.0382e+00, -4.7851e-03, -6.3590e-01, -1.3180e+00,
          5.2245e-02,  5.0982e-01,  7.4168e-02, -2.2352e+00,  7.4425e-02,
          5.0371e-01,  7.2120e-02, -4.6384e-01, -1.6588e+00,  6.3987e-01,
         -6.4567e-01,  1.7187e+00, -6.9696e-01,  5.6788e-01,  3.2628e-01,
         -1.0486e+00, -7.2610e-01,  5.7909e-02, -1.6380e-01, -1.2834e+00,
          1.6431e+00, -1.5972e+00, -4.5678e-03,  8.8022e-02,  5.5931e-02,
         -7.2332e-02, -4.9313e-01, -4.2971e+00,  6.9757e-01,  7.0690e-02,
         -1.8613e+00,  2.0366e-01,  8.9868e-01, -3.4565e-01,  9.6776e-02,
          1.3699e-02,  7.1410e-01,  5.4820e-01,  9.7358e-01, -8.1038e-01,
          2.6216e-01, -5.7850e-01, -1.1969e-01, -2.5277e-01, -2.0046e-01,
         -1.6718e-01,  5.5540e-01, -1.8172e-01, -2.5639e-02, -6.0961e-01,
         -1.1521e-03, -9.2973e-02,  9.5226e-01, -2.4453e-01,  9.7340e-01,
         -1.7908e+00, -2.9840e-02,  2.3087e+00,  2.4889e-01, -7.2734e-01,
          2.1827e+00, -1.1172e+00, -7.0915e-02,  2.5138e+00, -1.0356e+00,
         -3.7332e-02, -5.6668e-01,  5.2251e-01, -5.0058e-01,  1.7354e+00,
          4.0760e-01, -1.2982e-01, -7.0230e-01,  3.1563e+00,  1.8754e-01,
          2.0220e-01,  1.4500e-01,  2.3296e+00,  4.5522e-02,  1.1762e-01,
          1.0662e+00, -4.0858e+00,  1.6024e-01,  1.7885e+00, -2.7034e-01,
         -1.6869e-01, -8.7018e-02, -4.2451e-01,  1.1446e-01, -1.5761e+00,
          7.6947e-02,  2.4336e+00,  4.5346e-02, -6.5078e-02,  1.4203e+00,
          3.7165e-01, -7.9571e-01, -1.3515e+00,  4.1511e-02,  1.3561e-01,
         -3.3006e+00,  1.4821e-01,  1.3024e-01,  1.9966e-01, -8.5910e-01,
          1.4505e+00,  7.6774e-02,  9.3771e-01]], device='cuda:0',
       grad_fn=<SliceBackward0>)
tokens_a, tokens_b = ['a', 'crane', 'driver', 'came'], ['he', 'just', 'left']
encoded_pair = get_bert_encoding(net, tokens_a, tokens_b)
# 词元:'<cls>','a','crane','driver','came','<sep>','he','just', 'left','<sep>'
encoded_pair_cls = encoded_pair[:, 0, :]
encoded_pair_crane = encoded_pair[:, 2, :]
encoded_pair.shape, encoded_pair_cls.shape, encoded_pair_crane[0][:3]

 

(torch.Size([1, 10, 128]),
 torch.Size([1, 128]),
 tensor([-0.4637, -0.0569, -0.6119], device='cuda:0', grad_fn=<SliceBackward0>))

标签:02,BERT,00,01,代码,环节,mlm,tokens,encoded
From: https://blog.csdn.net/Hiweir/article/details/142501652

相关文章

  • 在Ubuntu下,为Vim配置C/C++代码补全
    1.安装vim-plugvim-plug是vim的一个插件管理器。(1)vim-plug的下载网址(2)新建目录~/.vim/autoload/(3)将 plug.vim文件放入该目录(4)添加vim-plug的代码到~/.vimrc文件,如下所示callplug#begin()"ListyourpluginsherePlug'tpope/vim-sensible'callplug#end......
  • sizeof vs strlen - 关于代码可读性、性能考量和编译器优化
    1、起因经常在咱们代码里面见到sizeof(“HEADER”)这类代码来计算常量字符串的长度,例如上次的一个代码review:之所以这么写可能基于以下几点考虑:(1)sizeof()是运算符而不是函数调用,编译时确定而不是运行时执行,因此不占用运行时时间(2)strlen()是GLIBC标准库函数,运行时需要进行......
  • Kwin代码阅读——模板类
    首先,理解一些基本概念:1.模板:  在C++中,模板允许我们编写通用的代码,可以接受不同的数据类型,而不需要重复编写代码。模板有两种主要形式:函数模板和类模板。这里我们讨论的是类模板。2.继承:  继承是面向对象编程中的一个特性,允许一个类(子类)继承另一个类(父类)的属性和方......
  • [Python数据分析]最通俗入门Kmeans聚类分析,可视化展示代码。
     什么是k-means分析?【头条@William数据分析,看原版】    想象一下,你有一堆五颜六色的糖果,你想把它们按照颜色分成几堆。k-means分析就是这么一个自动分类的过程。它会根据糖果的颜色特征,把它们分成若干个组,每个组里的糖果颜色都比较相似。更专业一点说,k-means分析是一......
  • pbootcms模板幻灯片调用代码大全
    在PbootCMS中,模板自带的幻灯片功能可以通过 {pboot:slide} 标签来实现。下面详细介绍该标签的使用方法及其控制参数。幻灯片标签详解标签语法html {pboot:slidegid=*num=*}<!--幻灯片内容-->{/pboot:slide}控制参数gid=*分组:必填参数,用于指定需要输......
  • 来欣赏10k分讨T1代码
    点击查看代码#include<bits/stdc++.h>#define_num[i]usingnamespacestd;constintmaxn=1e5+9;constintmod=998244353;intn,cnt,ans,s[7][maxn],num[maxn<<3];intlow(intx,intid){returnlower_bound(s[id]+1,s[id]+n+1,x)-s[id]-1;}intup(intx,int......
  • 【Echarts地图开发全流程加全套代码】
    前言本篇分享近期做的项目echarts相关地图开发的相关细节和避坑细节!!一、地图Json文件echarts地图采用官网的type类型map进行配置开发ApacheEChartsApacheECharts,一款基于JavaScript的数据可视化图表库,提供直观,生动,可交互,可个性化定制的数据可视化图表。https://echarts.a......
  • 代码随想录算法训练营第六天|理解hash表
    WhatisHashTable?引用自文章链接:https://programmercarl.com/哈希表理论基础.html#哈希表哈希表是根据关键码的值而直接进行访问的数据结构。直白来讲其实数组就是一张哈希表,哈希表中关键码就是数组的索引下标,然后通过下标直接访问数组中的元素。哈希函数通过hashCode把......
  • 轴承寿命预测 | 基于TCN时间卷积神经网络算法的轴承寿命预测附matlab完整代码
    轴承寿命预测|基于TCN时间卷积神经网络算法的轴承寿命预测附matlab完整代码数据划分:将数据集划分为训练集、验证集和测试集,通常采用时间序列数据的方式进行划分。构建TCN模型:设计TCN模型结构,包括卷积层、激活函数、池化层等。确保模型能够有效学习时间序列数据的特征。......
  • OpenOCD 代码学习(5)继续 openocd_thread()
    目录前言1server_init()2执行init命令2.1targetinit2.2adapter_init()2.3其它命令3server_loop()前言1)前面几节我们学习了①~③中的解析命令行参数与解析配置文件,接下来我们来看一下剩余的④~⑥部分:server_init()函数、init命令和server_loop()函数:......