手把手教你用 Transformers 和 Tokenizers 從頭訓(xùn)練新語言模型

本文作者： skura

2020-02-20 11:42

導(dǎo)語：如何從頭開始訓(xùn)練自己的語言模型？

在過去的幾周里，我們對 transformers 和 tokenizers 庫進(jìn)行了一些改進(jìn)，目的是讓從頭開始訓(xùn)練新的語言模型變得更加容易。

在本文中，我們將演示如何用世界語訓(xùn)練一個「小」模型（84 M，6 個層，768 個隱藏層，12 個注意力頭）——這與 DistilBERT 的層數(shù)和注意力頭數(shù)相同。然后，我們將在詞性標(biāo)記的下游任務(wù)上微調(diào)模型。

世界語是一種以易學(xué)性為目標(biāo)的結(jié)構(gòu)化語言。我們選擇它有幾個原因：

它是一種資源相對較少的語言（盡管大約有 200 萬人使用它），所以這個演示不像訓(xùn)練一個英語模型那樣枯燥?。
它的語法規(guī)則性很強(qiáng)（例如所有常用名詞都以 -o 結(jié)尾，所有形容詞都以 -a 結(jié)尾），所以即使是在一個小的數(shù)據(jù)集上，我們也可以得到有趣的結(jié)果。
最后，語言的總體目標(biāo)是縮短人與人之間的距離，促進(jìn)世界和平和國際理解，可以說是與 NLP 社區(qū)的目標(biāo)一致?。

PS：你不需要了解世界語就可以理解這篇文章。

我們的模型將被稱為…「wait for it… EsperBERTo」?。

手把手教你用 Transformers 和 Tokenizers 從頭訓(xùn)練新語言模型

1.查找數(shù)據(jù)集

首先，讓我們找到一個世界語文本的語料庫。這里我們將使用來自 INRIA 的 OSCAR 語料庫（https://traces1.inria.fr/oscar/ ）中的世界語部分。

OSCAR 是一個龐大的多語種語料庫，它是通過對 Web 上爬取的文本進(jìn)行語言分類和過濾而獲得的。

手把手教你用 Transformers 和 Tokenizers 從頭訓(xùn)練新語言模型

數(shù)據(jù)集的世界語部分只有 299M，因此我們將與 Leipzig 語料庫集合（https://wortschatz.uni-leipzig.de/en/download ）中的世界語子語料庫相連接，該語料庫由來自新聞、文學(xué)和維基百科等不同來源的文本組成。

最終的訓(xùn)練語料庫的大小為3 GB，仍然很小。當(dāng)然，對于你的模型，你可以獲得更多的數(shù)據(jù)來進(jìn)行預(yù)訓(xùn)練，從而獲得更好的結(jié)果。

2.訓(xùn)練標(biāo)記器

我們選擇使用與 RoBERTa 相同的特殊令牌來訓(xùn)練字節(jié)級字節(jié)對編碼標(biāo)記器（與 GPT-2 相同）。讓我們?nèi)我膺x擇它的大小，這里設(shè)置為 52000。

我們建議訓(xùn)練字節(jié)級的 BPE（而不是像 BERT 這樣的詞條標(biāo)記器），因為它將從單個字節(jié)的字母表開始構(gòu)建詞匯表，所以所有單詞都可以分解為標(biāo)記（不再是 <unk> 標(biāo)記）。

#! pip install tokenizers==0.4.2

from pathlib import Path

from tokenizers import ByteLevelBPETokenizer

paths = [str(x) for x in Path("./eo_data/").glob("**/*.txt")]

# Initialize a tokenizer
tokenizer = ByteLevelBPETokenizer()

# Customize trainingtokenizer.train(files=paths, vocab_size=52_000, min_frequency=2, special_tokens=[
    "<s>",
    "<pad>",
    "</s>",
    "<unk>",
    "<mask>",
])

# Save files to disk
tokenizer.save(".", "esperberto")

這里有一個對輸出的捕獲，圖片稍微進(jìn)行了加速：

手把手教你用 Transformers 和 Tokenizers 從頭訓(xùn)練新語言模型

在我們數(shù)據(jù)集上的訓(xùn)練大約花了 5 分鐘。

?? 哇，太快了！???

我們現(xiàn)在有一個 vocab.json，它是按頻率排列的最常用標(biāo)記列表，還有一個 merges.txt 合并列表。

{
    "<s>": 0,
    "<pad>": 1,
    "</s>": 2,
    "<unk>": 3,
    "<mask>": 4,
    "!": 5,
    "\"": 6,
    "#": 7,
    "$": 8,
    "%": 9,
    "&": 10,
    "'": 11,
    "(": 12,
    ")": 13,
    # ...
}

# merges.txt
l a
? k
o n
? la
t a
? e
? d
? p
# ...

最棒的是，我們的標(biāo)記器為世界語進(jìn)行了優(yōu)化。與為英語訓(xùn)練的通用標(biāo)記器相比，更多的本機(jī)單詞由一個單獨(dú)的、未加修飾的標(biāo)記表示。變音符號，即在世界語中使用的重音字符 -?、?、?、?、? 和 ?- 是本機(jī)編碼的。我們還以更有效的方式表示序列。在這個語料庫中，編碼序列的平均長度比使用預(yù)先訓(xùn)練的 GPT-2 標(biāo)記器時減小了約 30%。

下面是如何在標(biāo)記器中使用它的方法，包括處理 RoBERTa 特殊標(biāo)記——當(dāng)然，你也可以直接從 transformer 中使用它。

from tokenizers.implementations import ByteLevelBPETokenizer
from tokenizers.processors import BertProcessing

tokenizer = ByteLevelBPETokenizer(
    "./models/EsperBERTo-small/vocab.json",
    "./models/EsperBERTo-small/merges.txt",
)
tokenizer._tokenizer.post_processor = BertProcessing(
    ("</s>", tokenizer.token_to_id("</s>")),
    ("<s>", tokenizer.token_to_id("<s>")),
)
tokenizer.enable_truncation(max_length=512)

print(
    tokenizer.encode("Mi estas Julien.")
)
# Encoding(num_tokens=7, ...)
# tokens: ['<s>', 'Mi', '?estas', '?Juli', 'en', '.', '</s>']

3.從頭開始訓(xùn)練語言模型

我們現(xiàn)在將使用來自 transformer 的 run_language_modeling.py 腳本（https://github.com/huggingface/transformers/blob/master/examples/run_language_modeling.py ）（由 run_lm_finetuning.py 重新命名而來，因為它現(xiàn)在更無縫地支持從頭開始的訓(xùn)練）來訓(xùn)練我們的語言模型。只需記住從零開始訓(xùn)練，而不是從現(xiàn)有的模型或檢查點(diǎn)開始訓(xùn)練。

我們將訓(xùn)練一個類似于 RoBERTa 的模型，這是一個類似于 BERT 的模型，并進(jìn)行了一些更改（查看文檔https://huggingface.co/transformers/model_doc/roberta.html 了解更多細(xì)節(jié)）。

由于該模型類似于 BERT，我們將對其進(jìn)行屏蔽語言建模任務(wù)的訓(xùn)練，即預(yù)測如何填充我們在數(shù)據(jù)集中隨機(jī)屏蔽的任意令牌。這由示例腳本處理。

我們只需要做兩件事：

實(shí)現(xiàn)從文本文件加載數(shù)據(jù)集的簡單子類。

根據(jù)你的用例，如果所提供的示例（TextDataset 和 LineByLineTextDataset）中的一個有效，你甚至可能不需要編寫自己的 Dataset 子類，但是你可能希望根據(jù)你的語料庫的實(shí)際情況添加許多自定義調(diào)整。

選擇并實(shí)驗不同的超參數(shù)集。

這是我們世界語數(shù)據(jù)集的一個簡單版本。

class EsperantoDataset(Dataset):
    def __init__(self, evaluate: bool = false):
        tokenizer = ByteLevelBPETokenizer(
            "./models/EsperBERTo-small/vocab.json",
            "./models/EsperBERTo-small/merges.txt",
        )
        tokenizer._tokenizer.post_processor = BertProcessing(
            ("</s>", tokenizer.token_to_id("</s>")),
            ("<s>", tokenizer.token_to_id("<s>")),
        )
        tokenizer.enable_truncation(max_length=512)
        # or use the RobertaTokenizer from `transformers` directly.

        self.examples = []

        src_files = Path("./data/").glob("*-eval.txt") if evaluate else Path("./data/").glob("*-train.txt")
        for src_file in src_files:
            print("?", src_file)
        lines = src_file.read_text(encoding="utf-8").splitlines()
            self.examples += [x.ids for x in tokenizer.encode_batch(lines)]

    def __len__(self):
        return len(self.examples)

    def __getitem__(self, i):
        # We’ll pad at the batch level.
        return torch.tensor(self.examples[i])

如果數(shù)據(jù)集非常大，可以選擇動態(tài)加載和標(biāo)記示例，而不是將其作為預(yù)處理步驟。

下面是我們傳遞給腳本的一組特定的超參數(shù)和參數(shù)：

    --output_dir ./models/EsperBERTo-small-v1
    --model_type roberta
    --mlm
    --config_name ./models/EsperBERTo-small
    --tokenizer_name ./models/EsperBERTo-small
    --do_train
    --do_eval
    --learning_rate 1e-4
    --num_train_epochs 5
    --save_total_limit 2
    --save_steps 2000
    --per_gpu_train_batch_size 16
    --evaluate_during_training
    --seed 42

像往常一樣，選擇最大的批量大小，你可以適合你的 GPU。

??? 我們開始訓(xùn)練吧！！???

在這里，你可以查看我們的 Tensorboard（https://tensorboard.dev/experiment/8AjtzdgPR1qG6bDIe1eKfw/#scalars ）以獲取一組特定的超參數(shù)：

手把手教你用 Transformers 和 Tokenizers 從頭訓(xùn)練新語言模型

默認(rèn)情況下，我們的示例腳本會登錄到 Tensorboard 格式，在 runs/ 下。然后，要查看你的面板，只需運(yùn)行 tensorboard dev upload --logdir runs，這將設(shè)置 tensorboard.dev，它是一個 Google 托管的版本，允許你與任何人共享 ML 實(shí)驗。

4.檢查 LM 是否受過訓(xùn)練

除了觀察正在下降的訓(xùn)練和評估損失之外，檢查我們的語言模型是否學(xué)習(xí)到了有趣的東西的最簡單方法是使用 FillMaskPipeline。

管道是標(biāo)記器和模型周圍的簡單包裝器，「填充掩碼」允許你輸入一個包含屏蔽令牌的序列（這里是 <mask>），并返回一個最可能填充序列的列表及其概率。

from transformers import pipeline

fill_mask = pipeline(
    "fill-mask",
    model="./models/EspertBERTo-small",
    tokenizer="./models/EspertBERTo-small"
)

# The sun <mask>.
# =>

result = fill_mask("La suno <mask>.")

# {'score': 0.2526160776615143, 'sequence': '<s> La suno brilis.</s>', 'token': 10820}
# {'score': 0.0999930202960968, 'sequence': '<s> La suno lumis.</s>', 'token': 23833}
# {'score': 0.04382849484682083, 'sequence': '<s> La suno brilas.</s>', 'token': 15006}
# {'score': 0.026011141017079353, 'sequence': '<s> La suno falas.</s>', 'token': 7392}
# {'score': 0.016859788447618484, 'sequence': '<s> La suno pasis.</s>', 'token': 4552}

OK，使用簡單的語法就可以了。讓我們嘗試一個更有趣的提示：

fill_mask("Jen la komenco de bela <mask>.")

# This is the beginning of a beautiful <mask>.
# =>

# {
#     'score':0.06502299010753632
#     'sequence':'<s> Jen la komenco de bela vivo.</s>'
#     'token':1099
# }
# {
#     'score':0.0421181358397007
#     'sequence':'<s> Jen la komenco de bela vespero.</s>'
#     'token':5100
# }
# {
#     'score':0.024884626269340515
#     'sequence':'<s> Jen la komenco de bela laboro.</s>'
#     'token':1570
# }
# {
#     'score':0.02324388362467289
#     'sequence':'<s> Jen la komenco de bela tago.</s>'
#     'token':1688
# }
# {
#     'score':0.020378097891807556
#     'sequence':'<s> Jen la komenco de bela festo.</s>'
#     'token':4580
# }

通過更復(fù)雜的提示，你可以探究你的語言模型是否捕獲了更多的語義知識，甚至某種統(tǒng)計常識推理。

5.在下游任務(wù)上微調(diào) LM

我們現(xiàn)在可以在詞性標(biāo)注的下游任務(wù)上微調(diào)我們的新的世界語語言模型。

如前所述，世界語是一種規(guī)則性很強(qiáng)的語言，詞尾通常制約著詞性的語法部分。使用 CoNLL-2003 格式的帶注釋的世界語 POS 標(biāo)記數(shù)據(jù)集（見下面的示例），我們可以使用 transformer 中的 run_ner.py（https://github.com/huggingface/transformers/blob/master/examples/run_ner.py ）腳本。

POS 標(biāo)記和 NER 一樣是一個令牌分類任務(wù)，因此我們可以使用完全相同的腳本。

手把手教你用 Transformers 和 Tokenizers 從頭訓(xùn)練新語言模型

再次強(qiáng)調(diào)，這里是這個微調(diào)的托管 Tensorboard。我們使用每 GPU 64 的批處理大小訓(xùn)練 3 個階段。

訓(xùn)練和評估損失會收斂到很小的殘值，因為任務(wù)相當(dāng)簡單：語言是規(guī)則的，能夠端到端地訓(xùn)練。

這次，讓我們使用 TokenClassificationPipeline：

from transformers import TokenClassificationPipeline, pipeline

MODEL_PATH = "./models/EsperBERTo-small-pos/"

nlp = pipeline(
    "ner",
    model=MODEL_PATH,
    tokenizer=MODEL_PATH,
)
# or instantiate a TokenClassificationPipeline directly.

nlp("Mi estas viro kej estas tago varma.")

# {'entity': 'PRON', 'score': 0.9979867339134216, 'word': ' Mi'}
# {'entity': 'VERB', 'score': 0.9683094620704651, 'word': ' estas'}
# {'entity': 'VERB', 'score': 0.9797462821006775, 'word': ' estas'}
# {'entity': 'NOUN', 'score': 0.8509314060211182, 'word': ' tago'}
# {'entity': 'ADJ', 'score': 0.9996201395988464, 'word': ' varma'}

看起來很有效！?

6.分享你的模型?

最后，當(dāng)你有一個好的模型時，請考慮與社區(qū)分享：