- 🍨 本文为🔗365天深度学习训练营 中的学习记录博客
- 🍖 原作者:K同学啊
目录
- 理论知识
- 关于数据集 Wikitext-2
- 模型结构
- 代码实现
- 0. 环境
- 1. 加载数据集
- 2. 模型搭建
- 3. 创建模型
- 4. 单轮训练和评估的流程
- 5. 训练
- 模型效果
- 总结与心得体会
理论知识
关于数据集 Wikitext-2
WikiText (The WikiText Long Term Dependency Language Modeling Dataset, 英语词库数据集)是一个包含1亿个词汇的英文数据集,这些词汇从Wikipedia的优质文章和标杆文章中提取得到。包含WikiText-2和WikiText-103两个版本,相比于著名的Penn Treebank(PTB)数据集来说的,前者是PTB词汇数量的2倍,后者是110倍。每个词汇还同时保留了产生该词汇的原始文章,尤其适合需要长时依赖(Long Term Dependency)的自然语言建模场景。
- 数据来源:从维基百科抽取
- 数据内容:包含维基百科的文章内容,包括各种主题和领域的信息。经过预处理和清洗,以提供干净和可用于训练的文本数据
- 数据规模:Wikitext-2 包含了超过2088628个词标记文本,以及其中1915997个词标记(token)用于训练,172430个词标记用于验证和186716个词标记用于测试。
- 数据格式:纯文本形式存储,每个文本文件包含一个维基百科文章的内容。文本以段落句子为单位进行分割。
- 用途:通常用于语言建模任务,其中模型的目标是根据之前的上下文来预测下一个词或下一个句子。此外,还可以用于其他的文本生成任务,如机器翻译、摘要生成等。
模型结构
代码实现
0. 环境
pytorch: 2.1.0
torchtext: 0.16.0
1. 加载数据集
使用torchtext生成Wikitext-2数据集
batchify()
可以将数据排列成 batch_size
列。如果数据没有均匀地分成batch_size
列,则会对数据进行修剪。
例如:将字母表作为数据(总长度是26),然后设置batch_size=4
,batchify
会将字母表分成4个长度为6的序列,如图所示
由于torchtext已经停止更新了,源码里面的URL地址已经无法下载数据集,我们先从百度下载一个,地址为
https://aistudio.baidu.com/datasetdetail/230431
在当前目录下创建路径 datasets/WikiText2/
然后将下载的wikitext-2-v1.zip
放入这个文件夹
from torchtext.datasets import WikiText2
from torchtext.data.utils import get_tokenizer
from torchtext.vocab import build_vocab_from_iterator
from torch.utils.data import dataset
from torch import nn, Tensor
import math, os, torch
from torch.nn import TransformerEncoder, TransformerEncoderLayer
from tempfile import TemporaryDirectory# 全局设备对象
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')# 加载训练集,创建词汇表
train_iter = WikiText2(split='train', root='.')
tokenizer = get_tokenizer('basic_english')
vocab = build_vocab_from_iterator(map(tokenizer, train_iter), specials=['<unk>'])def data_process(raw_text_iter: dataset.IterableDataset) -> Tensor:"""将原始文本转换成扁平的张量"""data = [torch.tensor(vocab(tokenizer(item)), dtype=torch.long) for item in raw_text_iter]return torch.cat(tuple(filter(lambda t: t.numel() > 0, data)))def batchify(data: Tensor, bsz: int) -> Tensor:"""将数据划分为bsz个单独的序列,去除不能完全容纳的额外元素参数:data: Tensor, 形状为``[N]``bsz: int, 批大小返回:形状为 [N // bsz, bsz] 的张量"""seq_len = data.size(0) // bszdata = data[:seq_len*bsz]data = data.view(bsz, seq_len).t().contiguous()return data.to(device)# 创建数据集
train_iter, val_iter, test_iter = WikiText2(root='.')
train_data = data_process(train_iter)
val_data = data_process(val_iter)
test_data = data_process(test_iter)batch_size = 20
eval_batch_size = 10# 将三类数据集都处理成固定长度
train_data = batchify(train_data, batch_size)
val_data = batchify(val_data, batch_size)
test_data = batchify(test_data, batch_size)# 编写数据集取值函数(就像CV里的data_loader一样)
bptt = 35def get_batch(source: Tensor, i: int) -> tuple[Tensor, Tensor]:"""获取批次数据参数:source: Tensor, 形状为 ``[full_seq_len, batch_size]``i: int, 当前批次索引返回:tuple(data, target),- data形状为[seq_len, batch_size]- target形状为[seq_len * batch_size]"""# 计算当前批次的序列长度,最大为bptt,确保不超过source的长度seq_len = min(bptt, len(source) - 1 - i)# 获取data,从i开始,长度为seq_lendata = source[i:i+seq_len]# 获取target,从i+1开始,长度为seq_len,并将其形状转换为一维张量target = source[i+1:i+1+seq_len].reshape(-1)return data, target
2. 模型搭建
# 位置编码
class PositionalEncoding(nn.Module):def __init__(self, d_model: int, dropout: float = 0.1, max_len: int = 5000):super().__init__()self.dropout = nn.Dropout(p=dropout)# 生成位置编码的位置张量position = torch.arange(max_len).unsqueeze(1)# 计算位置编码的除数项div_term = torch.exp(torch.arange(0, d_model, 2) * (-math.log(10000.0) / d_model))# 创建位置编码张量pe = torch.zeros(max_len, 1, d_model)# 使用正弦函数计算位置编码中的奇数维度部分pe[:, 0, 0::2] = torch.sin(position * div_term)# 使用余弦函数计算位置编码中的偶数维度部分pe[:, 0, 1::2] = torch.cos(position * div_term)self.register_buffer('pe', pe)def forward(self, x: Tensor) -> Tensor:"""Arguments:x: Tensor, 形状为 [seq_len, batch_size, embedding_dim]"""# 将位置编码添加到输入张量x = x + self.pe[:x.size(0)]# 应用dropoutreturn self.dropout(x)# Transformer模型
class TransformerModel(nn.Module):def __init__(self, ntoken: int, d_model: int, nhead: int, d_hid: int, nlayers: int, dropout: float = 0.5):super().__init__()# 位置编码self.pos_encoder = PositionalEncoding(d_model, dropout)# 定义编码器层encoder_layers = TransformerEncoderLayer(d_model, nhead, d_hid, dropout)# 定义编码器self.transformer_encoder = TransformerEncoder(encoder_layers, nlayers)self.embedding = nn.Embedding(ntoken, d_model)self.d_model = d_modelself.linear = nn.Linear(d_model, ntoken)self.init_weights()def init_weights(self) -> None:initrange = 0.1self.embedding.weight.data.uniform_(-initrange, initrange)self.linear.bias.data.zero_()self.linear.weight.data.uniform_(-initrange, initrange)def forward(self, src: Tensor, src_mask: Tensor = None) -> Tensor:"""Argumentssrc: Tensor, 形状为 [seq_len, batch_size]src_mask: Tensor, 形状为 [seq_len, seq_len]Returns:输出的Tensor, 形状为 [seq_len, batch_size, ntoken]"""src = self.embedding(src) * math.sqrt(self.d_model)src = self.pos_encoder(src)output = self.transformer_encoder(src, src_mask)output = self.linear(output)return output
3. 创建模型
ntokens = len(vocab) # 词汇表的大小
emsize = 200 # 嵌入维度
d_hid = 200 # TransformerEncoder中前馈网络模型的维度
nlayers = 2 # TransformerEncoder中EncoderLayer层数
nhead = 2 # Transformer中的头数
dropout = 0.2 # 丢弃概率model = TransformerModel(ntokens, emsize, nhead, d_hid, nlayers, dropout).to(device)
4. 单轮训练和评估的流程
import time# 定义交叉熵损失函数
criterion = nn.CrossEntropyLoss()
# 学习率
lr = 5.0
# 使用随机梯度下降(SGD)优化器,将模型参数传入优化器
optimizer = torch.optim.SGD(model.parameters(), lr=lr)
# 使用学习率调度器,每隔1个epoch,将学习率按0.95的比例进行衰减
scheduler = torch.optim.lr_scheduler.StepLR(optimizer, 1.0, gamma=0.95)
def train(model: nn.Module) -> None:"""单轮训练过程"""model.train()total_loss = 0log_interval = 200 # 每隔200个batch打印一次日志start_time = time.time()# 计算总的batch数量num_batches = len(train_data)for batch, i in enumerate(range(0, train_data.size(0) - 1, bptt)):data, targets = get_batch(train_data, i)output = model(data)output_flat = output.view(-1, ntokens)loss = criterion(output_flat, targets)optimizer.zero_grad()loss.backward()torch.nn.utils.clip_grad_norm_(model.parameters(), 0.5)# 梯度裁剪,防止梯度爆炸optimizer.step()total_loss += loss.item()if batch % log_interval == 0 and batch > 0:lr = scheduler.get_last_lr()[0]ms_per_batch = (time.time() - start_time) * 1000 / log_intervalcur_loss = total_loss / log_intervalppl = math.exp(cur_loss) # 计算困惑度print(f"|epoch {epoch:3d} | {batch:5d}/{num_batches:5d} batches | "f"lr {lr:02.2f} | ms/batch {ms_per_batch:5.2f} | "f"loss {cur_loss:5.2f} | ppl {ppl:8.2f}")total_loss = 0start_time = time.time()def evaluate(model: nn.Module, eval_data: Tensor) -> None:"""单轮评估过程"""model.eval()total_loss = 0with torch.no_grad():for i in range(0, eval_data.size(0) - 1, bptt):data, targets = get_batch(eval_data, i )seq_len = data.size(0)output = model(data)output_flat = output.view(-1, ntokens)total_loss += seq_len * criterion(output_flat, targets).item()return total_loss / (len(eval_data) -1)
5. 训练
best_val_loss = float('inf')
epochs = 1with TemporaryDirectory() as tempdir: # 创建临时目录来保存最佳模型参数# 最佳模型参数的实际保存路径best_model_params_path = os.path.join(tempdir, 'best_model_params.pth')for epoch in range(1, epochs + 1):epoch_start_time = time.time()train(model)val_loss = evaluate(model, val_data)val_ppl = math.exp(val_loss)elapsed = time.time() - epoch_start_time # 计算当前epoch的耗时print('-'*89)print(f'| end of epoch {epoch:3d} | time: {elapsed:5.2f}s | 'f'valid loss {val_loss:5.2f} | valid ppl {val_ppl:8.2f}')print('-'*89)if val_loss < best_val_loss:best_val_loss = val_losstorch.save(model.state_dict(), best_model_params_path)scheduler.step()# 退出前加载性能最好的模型model.load_state_dict(torch.load(best_model_params_path))
打印训练过程
|epoch 1 | 200/102499 batches | lr 5.00 | ms/batch 6.75 | loss 8.14 | ppl 3426.82
|epoch 1 | 400/102499 batches | lr 5.00 | ms/batch 5.60 | loss 6.25 | ppl 517.82
|epoch 1 | 600/102499 batches | lr 5.00 | ms/batch 6.05 | loss 5.61 | ppl 272.82
|epoch 1 | 800/102499 batches | lr 5.00 | ms/batch 5.80 | loss 5.27 | ppl 194.54
|epoch 1 | 1000/102499 batches | lr 5.00 | ms/batch 6.78 | loss 4.90 | ppl 133.77
|epoch 1 | 1200/102499 batches | lr 5.00 | ms/batch 7.06 | loss 4.51 | ppl 91.22
|epoch 1 | 1400/102499 batches | lr 5.00 | ms/batch 6.35 | loss 4.20 | ppl 66.74
|epoch 1 | 1600/102499 batches | lr 5.00 | ms/batch 6.72 | loss 4.00 | ppl 54.55
|epoch 1 | 1800/102499 batches | lr 5.00 | ms/batch 5.59 | loss 3.76 | ppl 42.92
|epoch 1 | 2000/102499 batches | lr 5.00 | ms/batch 6.63 | loss 3.63 | ppl 37.74
|epoch 1 | 2200/102499 batches | lr 5.00 | ms/batch 6.46 | loss 3.47 | ppl 32.27
|epoch 1 | 2400/102499 batches | lr 5.00 | ms/batch 6.50 | loss 3.45 | ppl 31.41
|epoch 1 | 2600/102499 batches | lr 5.00 | ms/batch 6.94 | loss 3.41 | ppl 30.35
|epoch 1 | 2800/102499 batches | lr 5.00 | ms/batch 6.64 | loss 3.27 | ppl 26.42
-----------------------------------------------------------------------------------------
| end of epoch 1 | time: 19.20s | valid loss 1.95 | valid ppl 7.01
-----------------------------------------------------------------------------------------
模型效果
test_loss = evaluate(model, test_data)
test_ppl = math.exp(test_loss)
print('='*89)
print(f'| End of training | test loss {test_loss:5.2f} | 'f'test ppl {test_ppl:8.2f}')
print('='*89)
打印测试效果
=========================================================================================
| End of training | test loss 1.93 | test ppl 6.88
=========================================================================================
总结与心得体会
实验做的还是比较简单的,Transformer模型中的编码器直接使用的是pytorch框架预定义好的模块,但是对于理解整个模型的训练过程还是非常有帮助的。
在实验的过程中,发现torchtext模块也已经不在维护了,和计算机视觉不同,自然语言处理的模型的输入格式灵活多变,经常需要自己写代码调整,比如上面的data_process函数。
接下来我准备试一下自己写的Transformer,然后看看torchtext停更后怎么处理数据集,还有就是实验的训练过程没有用到mask_token,这样数据集的利用度比较有限,也可以修改一下。