昇思25天学习打卡营第16天|基于MindSpore通过GPT实现情感分类

文章目录

• • • 昇思MindSpore应用实践
    • • • 1、基于MindSpore通过GPT实现情感分类
        • • GPT 模型（Generative Pre-Training）简介
          • imdb影评数据集情感分类
          • 2、Tokenizer导入预训练好的GPT
          • 3、基于预训练的GPT微调实现情感分类
          • Reference

            昇思MindSpore应用实践

            本系列文章主要用于记录昇思25天学习打卡营的学习心得。

            1、基于MindSpore通过GPT实现情感分类

            GPT 模型（Generative Pre-Training）简介

            GPT-1模型是一种基于神经网络的自回归（AR）语言模型。该模型使用了“Transformer”的编解码架构，一种新型的序列到序列（Seq2Seq）模型，能够在处理长序列数据时避免传统的循环神经网络（Recurrent Neural Network，RNN）中存在的梯度消失问题。

            Transformer架构中的关键组件包括多头自注意力机制和残差连接等，GPT使用了Transformer的解码器部分。

            

            预训练技术：GPT-1使用了一种称为“生成式预训练”（Generative Pre-Training，GPT）的技术。

            预训练分为两个阶段：预训练和微调（fine-tuning）。

            在预训练阶段，GPT-1使用了大量的无标注文本数据集，例如维基百科和网页文本等。通过最大化预训练数据集上的log-likelihood来训练模型参数。

            在微调阶段，GPT-1将预训练模型的参数用于特定的自然语言处理任务，如文本分类和问答系统等。

            多层模型：GPT-1模型由多个堆叠的Transformer编码器组成，每个编码器包含多个注意力头和前向神经网络。这使得模型可以从多个抽象层次对文本进行建模，从而更好地捕捉文本的语义信息。

            通过使用上述预训练任务，研究团队成功地训练出了一个大规模的语言模型GPT。该模型在多项语言理解任务上取得了显著的成果，包括阅读理解、情感分类和自然语言推理等任务。

            imdb影评数据集情感分类

            import os
            import mindspore
            from mindspore.dataset import text, GeneratorDataset, transforms
            from mindspore import nn
            from mindnlp.dataset import load_dataset
            from mindnlp._legacy.engine import Trainer, Evaluator
            from mindnlp._legacy.engine.callbacks import CheckpointCallback, BestModelCallback
            from mindnlp._legacy.metrics import Accuracy
            imdb_ds = load_dataset('imdb', split=['train', 'test'])
            imdb_train = imdb_ds['train']
            imdb_test = imdb_ds['test']
            imdb_train.get_dataset_size()
            import numpy as np
            def process_dataset(dataset, tokenizer, max_seq_len=512, batch_size=4, shuffle=False):
                is_ascend = mindspore.get_context('device_target') == 'Ascend'
                def tokenize(text):
                    if is_ascend:
                        tokenized = tokenizer(text, padding='max_length', truncation=True, max_length=max_seq_len)
                    else:
                        tokenized = tokenizer(text, truncation=True, max_length=max_seq_len)
                    return tokenized['input_ids'], tokenized['attention_mask']
                if shuffle:
                    dataset = dataset.shuffle(batch_size)
                # map dataset
                dataset = dataset.map(operations=[tokenize], input_columns="text", output_columns=['input_ids', 'attention_mask'])
                dataset = dataset.map(operations=transforms.TypeCast(mindspore.int32), input_columns="label", output_columns="labels")
                # batch dataset
                if is_ascend:
                    dataset = dataset.batch(batch_size)
                else:
                    dataset = dataset.padded_batch(batch_size, pad_info={'input_ids': (None, tokenizer.pad_token_id),
                          'attention_mask': (None, 0)})
                return dataset
            

            2、Tokenizer导入预训练好的GPT

            from mindnlp.transformers import GPTTokenizer
            # tokenizer
            gpt_tokenizer = GPTTokenizer.from_pretrained('openai-gpt')
            # add sepcial token: 
            special_tokens_dict = {
                "bos_token": "",
                "eos_token": "",
                "pad_token": "",
            }
            num_added_toks = gpt_tokenizer.add_special_tokens(special_tokens_dict)
            # split train dataset into train and valid datasets，训练集和验证集分割
            imdb_train, imdb_val = imdb_train.split([0.7, 0.3])
            dataset_train = process_dataset(imdb_train, gpt_tokenizer, shuffle=True)
            dataset_val = process_dataset(imdb_val, gpt_tokenizer)
            dataset_test = process_dataset(imdb_test, gpt_tokenizer)
            next(dataset_train.create_tuple_iterator())
            [Tensor(shape=[4, 512], dtype=Int64, value=
             [[11295,   246,   244 ... 40480, 40480, 40480],
              [  616,   509,   246 ... 40480, 40480, 40480],
              [  616,  4894,   498 ... 40480, 40480, 40480],
              [  589,   500,   589 ... 40480, 40480, 40480]]),
             Tensor(shape=[4, 512], dtype=Int64, value=
             [[1, 1, 1 ... 0, 0, 0],
              [1, 1, 1 ... 0, 0, 0],
              [1, 1, 1 ... 0, 0, 0],
              [1, 1, 1 ... 0, 0, 0]]),
             Tensor(shape=[4], dtype=Int32, value= [0, 0, 0, 1])]
            

            3、基于预训练的GPT微调实现情感分类

            from mindnlp.transformers import GPTForSequenceClassification
            from mindspore.experimental.optim import Adam
            # set bert config and define parameters for training
            model = GPTForSequenceClassification.from_pretrained('openai-gpt', num_labels=2)
            model.config.pad_token_id = gpt_tokenizer.pad_token_id
            model.resize_token_embeddings(model.config.vocab_size + 3)
            optimizer = nn.Adam(model.trainable_params(), learning_rate=2e-5)
            metric = Accuracy()
            # define callbacks to save checkpoints
            ckpoint_cb = CheckpointCallback(save_path='checkpoint', ckpt_name='gpt_imdb_finetune', epochs=1, keep_checkpoint_max=2)
            best_model_cb = BestModelCallback(save_path='checkpoint', ckpt_name='gpt_imdb_finetune_best', auto_load=True)
            trainer = Trainer(network=model, train_dataset=dataset_train,
                              eval_dataset=dataset_train, metrics=metric,
                              epochs=1, optimizer=optimizer, callbacks=[ckpoint_cb, best_model_cb],
                              jit=False)
            trainer.run(tgt_columns="labels")
            

            

            Reference

            [1] 北方的郎-从GPT-1到GPT-4，GPT系列模型详解

            [2] 昇思大模型平台

            [3] 昇思官方文档-基于MindSpore通过GPT实现情感分类