【预训练语言模型】使用Transformers库进行GPT2预训练

1.1 安装依赖

!pip install -U datasets
!pip install accelerate -U
注意：在Colab上训练时，最好将datasets更新到最新版（再重启kernel），避免版本低报错
colab和kaggle已经预安装transformers库
1.2 数据准备
from datasets import load_dataset
datasets = load_dataset('wikitext', 'wikitext-2-raw-v1')
当然你也可使用huggingface上任何公开的文本数据集，或使用自己构造的数据，并将路径替换为指定路径：
# datasets = load_dataset("text", data_files={"train": path_to_train.txt, "validation": path_to_validation.txt}
要访问一个数据中实际的元素，您需要先选择一个key，然后给出一个索引:

看一下数据的格式
datasets["train"][10].keys()
可以看到该数据集的每个元素就是一个仅包含文本的字典
dict_keys(['text'])
datasets["train"][1]
{‘text': ' =Valkyria Chronicles III = \n'}
训练集和测试集数量
print(len(datasets["train"]), len(datasets["test"]))
36718 4358
通过如下的函数来随机展示数据集中的一些样本：
from datasets import ClassLabel
import random
import pandas as pd
from IPython.display import display, HTML
def show_random_elements(dataset, num_examples=10):
    assert num_examples <= len(dataset), "Can't pick more elements than there are in the dataset."
    picks = []
    for _ in range(num_examples):
        pick = random.randint(0, len(dataset)-1)
        while pick in picks:
            pick = random.randint(0, len(dataset)-1)
        picks.append(pick)
    df = pd.DataFrame(dataset[picks])
    for column, typ in dataset.features.items():
        if isinstance(typ, ClassLabel):
            df[column] = df[column].transform(lambda i: typ.names[i])
    display(HTML(df.to_html()))
show_random_elements(datasets["train"])
数据集中，一些是空文本或标题，一些文本完整段落，
二、因果语言建模（Causal Language Modeling，CLM）
对于因果语言建模，我们首先拿到数据集中的所有文本，并将它们分词的结果拼接起来。
然后，我们将它们拆分到特定序列长度的训练样本中，这样模型将接收如下所示的连续文本块：
part of text 1
end of text 1 [BOS_TOKEN] beginning of text 2
这取决于训练样本是否跨越数据集中的几个原始文本：
原始文本长于特定序列长度则被切分
原始文本短于特定序列长度则和其他文本拼接。
模型的标签就是将输入右移一个位置（预测下一个token）。
本例中，将使用gpt2模型。
model_checkpoint = "gpt2"
tokenizer_checkpoint = "sgugger/gpt2-like-tokenizer"
当然，你也可以选择这里列出的任何一个https://huggingface.co/models?filter=causal-lm 因果语言模型的checkpoint。
为了用训练模型时使用的词汇对所有文本进行分词，先下载一个预训练过的分词器（Tokenizer）。
直接使用AutoTokenizer类来自加载:
from transformers import AutoTokenizer
tokenizer = AutoTokenizer.from_pretrained(model_checkpoint, use_fast=True)
现在可以对所有的文本进行分词。
首先定义一个对文本进行分词的函数
def tokenize_function(examples):
    return tokenizer(examples["text"])
然后，将它用到datasets对象中进行分词，使用batch=True和4个进程来加速预处理，并移除之后用不到的text列。
tokenized_datasets = datasets.map(tokenize_function, batched=True, num_proc=4, remove_columns=["text"])
查看已分词的数据集的样本，文本已转换为input_ids (文本的Token Id序列)和attention_mask:
tokenized_datasets["train"][1]
{'input_ids': [238, 8576, 9441, 2987, 238, 252],
 'attention_mask': [1, 1, 1, 1, 1, 1]}
然后，需要将所有文本分词的结果拼接在一起，并将其分割成特定block_size的小块（第二节开头提到的操作，block_size其实就是Batch后的max_length）。
为此，将再次使用map方法，并使用选项batch=True。设置不同的block_size，可以获得不同数量的样本，从而能改变样本数量。
通过这种方式，可以从一批样本中得到新的一批样本。
首先，需要设置预训练CLM模型时所使用的最大序列长度。在这里设置为256，以防您的显存爆炸💥。
# block_size = tokenizer.model_max_length
block_size = 256
然后，使用预处理函数来对训练文本进行分组:
def group_texts(examples):
    # 拼接所有文本
    concatenated_examples = {k: sum(examples[k], []) for k in examples.keys()}
    total_length = len(concatenated_examples[list(examples.keys())[0]])
    # 这里将剩余的少部分token去掉了。但如果模型支持的话，可以添加padding，这可以根据需要进行定制修改。
    total_length = (total_length // block_size) * block_size
    # 通过max_len进行分割
    result = {
        k: [t[i : i + block_size] for i in range(0, total_length, block_size)]
        for k, t in concatenated_examples.items()
    result["labels"] = result["input_ids"].copy()
    return result
首先注意，我们复制了标签的输入。
这是因为🤗transformer库的模型默认向右移动，所以我们不需要手动操作。
还要注意，在默认情况下，map方法将发送一批1,000个示例，由预处理函数处理。因此，在这里，我们将删除剩余部分，使连接的标记化文本每1000个示例为block_size的倍数。您可以通过传递更高的批处理大小来调整此行为(当然这也会被处理得更慢)。你也可以使用multiprocessing来加速预处理:
lm_datasets = tokenized_datasets.map(
    group_texts,
    batched=True,
    batch_size=2000,
    num_proc=4,
Map (num_proc=4):   0%|          | 0/4358 [00:00<?, ? examples/s]
Map (num_proc=4):   0%|          | 0/36718 [00:00<?, ? examples/s]
Map (num_proc=4):   0%|          | 0/3760 [00:00<?, ? examples/s]
现在，可以检查数据集是否发生了变化：

现在样本包含了block_size连续字符块，可能跨越了几个原始文本。
tokenizer.decode(lm_datasets["train"][1]["input_ids"])
' game and follows the " Nameless ", a penal military unit serving the nation of Gallia during the Second Europan War who perform secret black operations and are pitted against the Imperial unit " Calamaty Raven ". \n The game began development in 2010, carrying over a large portion of the work done on Valkyria Chronicles II. While it retained the standard features of the series, it also underwent multiple adjustments, such as making the game more forgiving for series newcomers. Character designer Raita Honjou and composer Hitoshi Sakimoto both returned from previous entries, along with Valkyria Chronicles II director Takeshi Oz'
在构建了处理好的预训练语料后，可以开始模型训练。
我们将建立一个模型:
from transformers import AutoModelForCausalLM
model = AutoModelForCausalLM.from_pretrained(model_checkpoint)
直接使用transformers的trainer类型，其代码如下所示：
from transformers import AutoConfig, AutoModelForCausalLM
config = AutoConfig.from_pretrained(model_checkpoint)
model = AutoModelForCausalLM.from_config(config)
from transformers import Trainer, TrainingArguments
training_args = TrainingArguments(
    f"{model_checkpoint}-wikitext2",
    evaluation_strategy = "epoch",
    learning_rate=2e-5,
    weight_decay=0.01,
    # push_to_hub=True
trainer.train()
[ 220/3375 02:11 < 31:43, 1.66 it/s, Epoch 0.19/3]
import math
eval_results = trainer.evaluate()
print(f"Perplexity: {math.exp(eval_results['eval_loss']):.2f}")
Perplexity: 552.71
The perplexity is still quite high since for this demo we trained on a small dataset for a small number of epochs. For a real LM training, you would need a larger dataset and more epochs.
1.5 推理
tokenizer深入
tokens = tokenizer.tokenize("六朝何事")
tokens
奇奇怪怪的结果（词表里没啥中文，直接中文按2字节编码）
['å', 'ħ', 'Ń', 'æ', 'ľ', 'Ŀ', 'ä', '½', 'ķ', 'ä', 'º', 'ĭ']
转换为token id
tokenizer.convert_tokens_to_ids(tokens)
[150, 165, 193, 151, 188, 189, 149, 121, 181, 149, 118, 171]
使用encode，直接转换为token ids
tokenizer.encode("六朝何事")
[150, 165, 193, 151, 188, 189, 149, 121, 181, 149, 118, 171]
与直接使用tokenizer
tokenizer("六朝何事")
{'input_ids': [150, 165, 193, 151, 188, 189, 149, 121, 181, 149, 118, 171], 
'attention_mask': [1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1]}
反tokenize
tokenizer.decode(tokenizer("六朝何事")
['input_ids'])
‘六朝何事’
1.6 推理
x = tokenizer("六朝何事", return_tensors="pt")
y = model.forward(x['input_ids'])
结果一大堆
CausalLMOutputWithCrossAttentions(loss=None, logits=tensor([[[-0.5103, -0.3852, -0.0509,  ..., -0.1831,  0.7720, -0.2264],
         [-0.9077,  0.0660, -0.7552,  ...,  0.0428,  0.6765, -0.0024],
         [ 0.4458, -0.4124, -1.2314,  ...,  0.3847,  0.4391,  0.0402],
         [ 0.3976,  0.0738, -0.7156,  ...,  0.1152,  0.8602,  0.0270],
         [ 0.6953,  0.7504,  0.0266,  ..., -0.6524,  1.1901,  0.1273],
         [-0.3004,  0.5009, -1.0164,  ..., -0.1076,  1.4422, -0.5940]]],
       grad_fn=<UnsafeViewBackward0>), past_key_values=((tensor([[[[-0.0165, -0.5414, -0.1960,  ...,  0.0751, -1.3083, -0.6204],
          [ 0.5249,  0.0685,  0.2652,  ..., -0.1789,  0.0868, -0.5673],
          [ 0.6694, -0.5541, -0.2543,  ...,  0.0981, -0.1687, -0.2084],
查看预测logits即y.logits的shape为torch.Size([1, 12, 50257])
tensor([[[ 0.6202, -0.1432, -0.0364,  ..., -0.6025,  0.7150, -0.2145],
         [-0.3945, -0.0824, -0.5818,  ...,  0.0286,  0.6341, -0.2636],
         [ 0.2438,  0.5748, -0.9318,  ..., -0.4956,  0.5061, -0.3112],
         [ 1.0054,  0.3126, -0.1491,  ..., -0.1764,  0.4643, -0.1376],
         [ 0.5537,  0.7263,  0.0582,  ..., -0.7386,  1.2950, -0.1308],
         [ 0.5036,  1.0895,  0.0722,  ..., -0.8044,  0.4085, -0.8951]]],
       grad_fn=<UnsafeViewBackward0>)
由于中文预测出来的token解码不对，这里后续使用英文测试
import torch
import numpy as np
inputs_text = "Hello "
x = tokenizer(inputs_text, return_tensors="pt")
y = model.forward(x['input_ids'])
# 贪婪采样，取最大概率token
next_token_id = int(np.argmax(y.logits[0][-1].detach().numpy()))
print(next_token_id)
next_token = tokenizer.convert_ids_to_tokens(next_token_id)
print(inputs_text + next_token)
10391

Hello ĠBright
generate代码 (设置预测长度max_length)
max_length = 20
inputs_text = "hello "
input_ids = [tokenizer.encode(inputs_text)]
input_ids = input_ids[:-1]
for i in range(max_length):
    outputs = model(torch.tensor([input_ids]))
    last_token_id = int(np.argmax(outputs.logits[0][-1].detach().numpy()))
    last_token = tokenizer.convert_ids_to_tokens(last_token_id)
    inputs_text += last_token
    input_ids.append(last_token_id)
1.7 参考资料
实现代码：colab源码：Train a language model - Colaboratory (google.com)
中文GPT2预训练和微调：Hugging Face中GPT2模型应用代码 - 知乎 (zhihu.com)
Gpt进阶(二): 以古诗集为例,训练一个自己的古诗词gpt模型 - 知乎 (zhihu.com)