在线工具推荐：  Three.js AI纹理开发包 -  YOLO合成数据生成器 -  GLTF/GLB在线编辑 -  3D模型格式在线转换 -  可编程3D场景编辑器

在本文中我们将介绍如何使HuggingFace的模型适应你的任务，在Pytorch中建立自定义模型头并将其连接到HF模型的主体，并端到端地训练系统。

1、HF模型头和模型体

这是典型的HF模型的样子：

为什么我需要单独使用模型头（Model Head）和模型体（Model Body）？

一些HF的模型针对下游任务（例如提问或文本分类）训练，并包含有关其权重培训的数据的知识。

有时，尤其是当我们手头的任务包含很少的数据或领域特定（例如医学或运动特定任务）时，我们可以在HUB上使用其他任务训练的模型（不一定与我们的任务相同的任务 手但属于相同领域，例如运动或药物），并利用一些验证的知识来提高我们模型在我们自己任务的性能表现。

• 一个非常简单的例子是，如果说我们有一个小数据集，比如分类某些财务报表是积极还是负面的。 但是，我们进入了HF，发现许多模型已经经过与金融相关的问答数据集的训练，那么 我们可以使用这些模型的某些层来改进自己的任务。
• 另一个简单的示例是，某个特定领域的模型经过巨大数据集的训练学会了将文本从中分为5个类别。 假设我们有类似的分类任务，在同一域中的一个完全不同的数据集，只想将数据分类为2个类别而不是5。 这时我们也可以复用模型主体，添加自己的模型头来增强我们自己任务的特定领域知识。

这就是我们要做的事情的示意图：

2、自定义HF模型头

我们的任务是简单的，从Kaggle上的这个数据集进行讽刺检测。

你可以在此处查看完整的代码。 为了时间的考虑，我没有在下面包括预处理和一些训练的详细信息，因此请确保查看整个代码的笔记本。

我将使用一个在大量推文上训练的模型，有5个分类输出不同的情感类型。我们将提取模型体，在pytorch中添加自定义层（2个标签，讽刺/不讽刺），并训练新的模型。

注意：你可以在此示例中使用任何模型（不一定是对分类训练的模型），因为我们只会使用该模型主体并拆除模型头。

这就是我们的工作流程：

我将跳过数据预处理步骤，然后直接跳到主类，但是你可以在本节开头的链接中查看整个代码。

3、令牌化和动态填充

使用如下代码将文本转化为令牌并进行动态填充：

checkpoint = "cardiffnlp/twitter-roberta-base-emotion"
tokenizer = AutoTokenizer.from_pretrained(checkpoint)
tokenizer.model_max_len=512def tokenize(batch):return tokenizer(batch["headline"], truncation=True,max_length=512)tokenized_dataset = data.map(tokenize, batched=True)
print(tokenized_dataset)tokenized_dataset.set_format("torch",columns=["input_ids", "attention_mask", "label"])
data_collator = DataCollatorWithPadding(tokenizer=tokenizer)

结果如下：

DatasetDict({train: Dataset({features: ['headline', 'label', 'input_ids', 'attention_mask'],num_rows: 22802})test: Dataset({features: ['headline', 'label', 'input_ids', 'attention_mask'],num_rows: 2851})valid: Dataset({features: ['headline', 'label', 'input_ids', 'attention_mask'],num_rows: 2850})
})

4、提取模型体并添加我们自己的层

代码如下：

class CustomModel(nn.Module):def __init__(self,checkpoint,num_labels): super(CustomModel,self).__init__() self.num_labels = num_labels #Load Model with given checkpoint and extract its bodyself.model = model = AutoModel.from_pretrained(checkpoint,config=AutoConfig.from_pretrained(checkpoint, output_attentions=True,output_hidden_states=True))self.dropout = nn.Dropout(0.1) self.classifier = nn.Linear(768,num_labels) # load and initialize weightsdef forward(self, input_ids=None, attention_mask=None,labels=None):#Extract outputs from the bodyoutputs = self.model(input_ids=input_ids, attention_mask=attention_mask)#Add custom layerssequence_output = self.dropout(outputs[0]) #outputs[0]=last hidden statelogits = self.classifier(sequence_output[:,0,:].view(-1,768)) # calculate lossesloss = Noneif labels is not None:loss_fct = nn.CrossEntropyLoss()loss = loss_fct(logits.view(-1, self.num_labels), labels.view(-1))return TokenClassifierOutput(loss=loss, logits=logits, hidden_states=outputs.hidden_states,attentions=outputs.attentions)

如你所见，我们首先是继承Pytorch中的 nn.Module，使用AutoModel（来自transformers库）提取加载了指定检查点的模型主体。

请注意， forward() 方法返回 TokenClassifierOutput，从而确保我们输出的格式与HF预训练模型一致。

5、端到端训练新的模型

代码如下：

from tqdm.auto import tqdmprogress_bar_train = tqdm(range(num_training_steps))
progress_bar_eval = tqdm(range(num_epochs * len(eval_dataloader)))for epoch in range(num_epochs):model.train()for batch in train_dataloader:batch = {k: v.to(device) for k, v in batch.items()}outputs = model(**batch)loss = outputs.lossloss.backward()optimizer.step()lr_scheduler.step()optimizer.zero_grad()progress_bar_train.update(1)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.logitspredictions = torch.argmax(logits, dim=-1)metric.add_batch(predictions=predictions, references=batch["labels"])progress_bar_eval.update(1)print(metric.compute())model.eval()test_dataloader = DataLoader(tokenized_dataset["test"], batch_size=32, collate_fn=data_collator
)for batch in test_dataloader:batch = {k: v.to(device) for k, v in batch.items()}with torch.no_grad():outputs = model(**batch)logits = outputs.logitspredictions = torch.argmax(logits, dim=-1)metric.add_batch(predictions=predictions, references=batch["labels"])metric.compute()

结果如下：

  0%|          | 0/2139 [00:00<?, ?it/s]0%|          | 0/270 [00:00<?, ?it/s]
{'f1': 0.9335347432024169}
{'f1': 0.9360090874668686}
{'f1': 0.9274912756882513}

如你所见，我们使用此方法实现了不错的性能。 请记住，该博客的目的不是分析此特定数据集的性能，而是要学习如何使用预训练的身体并添加自定义头。

6、结束语

在本文中，我们看到了如何在HF预训练模型上添加自定义层。

一些收获：

• 在我们拥有特定于域的数据集并希望利用在同一域（任务 - 努力的task-agnostic）上训练的模型以增强小型数据集中的性能的情况下，此技术特别有用。
• 我们可以选择接受过与自己任务不同的下游任务训练的模型，并且仍然使用该模型主体的知识。
• 如果你的数据集足够大且通用，那么这可能根本不需要，在这种情况下，你可以使用 AutoModeForSequenceCecrification或使用 BERT 解决的任何其他任务。 实际上，如果是这样，我强烈建议不要建立自己的模型头。

---

原文链接：HF自定义模型头 - BimAnt