基于Bert模型的增量微调3-使用csv文件训练

我们使用weibo评价数据，8分类的csv格式数据集。

一、创建数据集合

使用csv格式的数据作为数据集。

1、创建MydataCSV.py

from  torch.utils.data import Dataset
from datasets import load_datasetclass MyDataset(Dataset):#初始化数据集def __init__(self, split):# 加载csv数据self.dataset=load_dataset(path="csv",data_files=f"D:\Test\LLMTrain\day03\data\Weibo/{split}.csv", split= "train")# 返回数据集长度def __len__(self):return len(self.dataset)# 对每条数据单独进行数据处理def __getitem__(self, idx):text=self.dataset[idx]["text"]label=self.dataset[idx]["label"]return  text,labelif __name__== "__main__":train_dataset=MyDataset("test")for i in range(10):print(train_dataset[i])

二、处理模型

我们使用8分类任务

创建netCSV.py

import torch
from transformers import BertModel#定义设备信息
DEVICE = torch.device("cuda" if torch.cuda.is_available() else "cpu")
print(DEVICE)#加载预训练模型
path1=r"D:\Test\LLMTrain\day03\model\bert-base-chinese\models--google-bert--bert-base-chinese\snapshots\c30a6ed22ab4564dc1e3b2ecbf6e766b0611a33f"
pretrained = BertModel.from_pretrained(path1).to(DEVICE)
print(pretrained)#定义下游任务（增量模型）
class Model(torch.nn.Module):def __init__(self):super().__init__()#设计全连接网络，实现8分类任务self.fc = torch.nn.Linear(768,8)#使用模型处理数据（执行前向计算）def forward(self,input_ids,attention_mask,token_type_ids):#冻结Bert模型的参数，让其不参与训练with torch.no_grad():out = pretrained(input_ids=input_ids,attention_mask=attention_mask,token_type_ids=token_type_ids)#增量模型参与训练out = self.fc(out.last_hidden_state[:,0])return out

8分类任务，所以 self.fc=torch.nn.Liner768,8) 。

我们是对大模型做增量微调训练，所以需要冻结Bert模型的参数，让其不参与训练。所以使用

with torch.no_grad()。

我们定义一个下游任务增量模型Model类，继承 torch.nn.Module。

三、训练的代码

1、创建目录params

存放训练后的结果。

2、写代码

创建train_val_csv.py

#模型训练
import torch
from MyDataCSV import MyDataset
from torch.utils.data import DataLoader
from netCSV import Model
from transformers import BertTokenizer,AdamW#定义设备信息
DEVICE = torch.device("cuda" if torch.cuda.is_available() else "cpu")
#定义训练的轮次(将整个数据集训练完一次为一轮)
EPOCH = 30000#加载字典和分词器
token = BertTokenizer.from_pretrained(r"D:\Test\LLMTrain\day03\model\bert-base-chinese\models--google-bert--bert-base-chinese\snapshots\c30a6ed22ab4564dc1e3b2ecbf6e766b0611a33f")#将传入的字符串进行编码
def collate_fn(data):sents = [i[0]for i in data]label = [i[1] for i in data]#编码data = token.batch_encode_plus(batch_text_or_text_pairs=sents,# 当句子长度大于max_length(上限是model_max_length)时，截断truncation=True,max_length=512,# 一律补0到max_lengthpadding="max_length",# 可取值为tf,pt,np,默认为listreturn_tensors="pt",# 返回序列长度return_length=True)input_ids = data["input_ids"]attention_mask = data["attention_mask"]token_type_ids = data["token_type_ids"]label = torch.LongTensor(label)return input_ids,attention_mask,token_type_ids,label#创建数据集
train_dataset = MyDataset("train")
train_loader = DataLoader(dataset=train_dataset,#训练批次batch_size=50,#打乱数据集shuffle=True,#舍弃最后一个批次的数据，防止形状出错drop_last=True,#对加载的数据进行编码collate_fn=collate_fn
)
#创建验证数据集
val_dataset = MyDataset("validation")
val_loader = DataLoader(dataset=val_dataset,#训练批次batch_size=50,#打乱数据集shuffle=True,#舍弃最后一个批次的数据，防止形状出错drop_last=True,#对加载的数据进行编码collate_fn=collate_fn
)
if __name__ == '__main__':#开始训练print(DEVICE)model = Model().to(DEVICE)#定义优化器optimizer = AdamW(model.parameters())#定义损失函数loss_func = torch.nn.CrossEntropyLoss()#初始化验证最佳准确率best_val_acc = 0.0for epoch in range(EPOCH):for i,(input_ids,attention_mask,token_type_ids,label) in enumerate(train_loader):#将数据放到DVEVICE上面input_ids, attention_mask, token_type_ids, label = input_ids.to(DEVICE),attention_mask.to(DEVICE),token_type_ids.to(DEVICE),label.to(DEVICE)#前向计算（将数据输入模型得到输出）out = model(input_ids,attention_mask,token_type_ids)#根据输出计算损失loss = loss_func(out,label)#根据误差优化参数optimizer.zero_grad()loss.backward()optimizer.step()#每隔5个批次输出训练信息if i%5 ==0:out = out.argmax(dim=1)#计算训练精度acc = (out==label).sum().item()/len(label)print(f"epoch:{epoch},i:{i},loss:{loss.item()},acc:{acc}")#验证模型（判断模型是否过拟合）#设置为评估模型model.eval()#不需要模型参与训练with torch.no_grad():val_acc = 0.0val_loss = 0.0for i, (input_ids, attention_mask, token_type_ids, label) in enumerate(val_loader):# 将数据放到DVEVICE上面input_ids, attention_mask, token_type_ids, label = input_ids.to(DEVICE), attention_mask.to(DEVICE), token_type_ids.to(DEVICE), label.to(DEVICE)# 前向计算（将数据输入模型得到输出）out = model(input_ids, attention_mask, token_type_ids)# 根据输出计算损失val_loss += loss_func(out, label)#根据数据，计算验证精度out = out.argmax(dim=1)val_acc+=(out==label).sum().item()val_loss/=len(val_loader)val_acc/=len(val_loader)print(f"验证集：loss:{val_loss},acc:{val_acc}")# #每训练完一轮，保存一次参数# torch.save(model.state_dict(),f"params/{epoch}_bert.pth")# print(epoch,"参数保存成功！")#根据验证准确率保存最优参数if val_acc > best_val_acc:best_val_acc = val_acctorch.save(model.state_dict(),"params1/best_bert.pth")print(f"EPOCH:{epoch}:保存最优参数：acc{best_val_acc}")#保存最后一轮参数torch.save(model.state_dict(), "params1/last_bert.pth")print(f"EPOCH:{epoch}:最后一轮参数保存成功！")

3、执行代码

这个过程需等待很久，若是使用cuda环境，显存越大，速度越快。

train_loader的训练批次batch_size=50，这个数值是根据电脑的配置来的，数值越大越好，只要不超过显存或者内存的90%即可。

四、使用训练好的模型

我们写一个控制台程序，也可以使用FastAPI。创建run.py文件。

#模型使用接口（主观评估）
#模型训练
import torch
from net import Model
from transformers import BertTokenizer#定义设备信息
DEVICE = torch.device("cuda" if torch.cuda.is_available() else "cpu")#加载字典和分词器
token = BertTokenizer.from_pretrained(r"D:\Test\LLMTrain\day03\model\bert-base-chinese\models--google-bert--bert-base-chinese\snapshots\c30a6ed22ab4564dc1e3b2ecbf6e766b0611a33f")
model = Model().to(DEVICE)
names = ["负向评价","正向评价"]#将传入的字符串进行编码
def collate_fn(data):sents = []sents.append(data)#编码data = token.batch_encode_plus(batch_text_or_text_pairs=sents,# 当句子长度大于max_length(上限是model_max_length)时，截断truncation=True,max_length=512,# 一律补0到max_lengthpadding="max_length",# 可取值为tf,pt,np,默认为listreturn_tensors="pt",# 返回序列长度return_length=True)input_ids = data["input_ids"]attention_mask = data["attention_mask"]token_type_ids = data["token_type_ids"]return input_ids,attention_mask,token_type_idsdef test():#加载模型训练参数model.load_state_dict(torch.load("params/best_bert.pth"))#开启测试模型model.eval()while True:data = input("请输入测试数据（输入‘q’退出）：")if data=='q':print("测试结束")breakinput_ids,attention_mask,token_type_ids = collate_fn(data)input_ids, attention_mask, token_type_ids = input_ids.to(DEVICE),attention_mask.to(DEVICE),token_type_ids.to(DEVICE)#将数据输入到模型，得到输出with torch.no_grad():out = model(input_ids,attention_mask,token_type_ids)out = out.argmax(dim=1)print("模型判定：",names[out],"\n")if __name__ == '__main__':test()

运行程序，输入test测试集里的数据进行验证，或许输入其他的文本验证。