从零实现大模型-GPT2任务微调 原创
我们在BERT微调那篇文章中提到,许多NLP任务(如情感分析和问答)都依赖于上下文理解能力。而像BERT这种双向模型具有较强的上下文理解能力,因此非常适合用于任务微调,即针对某个具体任务进行微调。
而像GPT这种自回归模型,在预训练完成后会进行一个指令微调过程,用于跟随人类指令,然后通过指令去完成不同的任务(翻译,总结)。
那GPT能否像BERT那样,直接微调用于完成某个具体任务呢?虽然BERT更适合,但GPT确实也可以。
今天我们就基于之前的GPT2预训练模型,使用一个垃圾邮件数据集,来微调一个邮件分类模型。
1.垃圾邮件识别
传统ML方法
当然,也可以通过传统的机器学习方法实现垃圾邮件分类,例如,贝叶斯分类,或者基于统计学,事先设定一些敏感词汇,如果邮件中出现了这些敏感词汇,就认为是垃圾邮件。
Embedding
但传统机器学习方法依赖人类经验,既然我们正在写大模型的文章,就得入乡随俗。
我们通过Embedding实现文本分类,具体来说就是计算邮件内容的Embedding,然后计算“spam”和“none spam”的Embedding,最后通过计算余弦相似度来判断邮件类型。
指令微调模型
其实,还有比计算Embedding更简单的方法,如果大模型已经经过预训练、指令微调以及RLHF过程,那么就可以直接利用这种指令跟随能力来实现垃圾邮件分类。
例如,我们构造下面的prompt输入给chatGPT。
"Is the following text 'spam'? Answer with 'yes' or 'no':"
" 'You are a winner you have been specially"
" selected to receive $1000 cash or a $2000 award.'"
以下是GPT4-o给出的答案,不仅准确识别出了垃圾邮件,还遵循了人类指令输出了“yes”。
如果只使用预训练模型,没有经过指令微调,前面我们也测试过,模型虽然有输出,但输出只是简单的拷贝输入。
输入:
Is the following text 'spam'? Answer with 'yes' or 'no': 'You are a winner you have been specially selected to receive $1000 cash or a $2000 award.'
输出:
The following text 'spam'? Answer with 'yes' or 'no': 'You are a winner
2.任务微调
本文完整代码如下,建议结合代码阅读文本。
https://github.com/AIDajiangtang/LLM-from-scratch/blob/main/GPT2_fine-tune_spam_classifier_from_scratch.ipynb
在通过Embedding实现文本分类时,Embedding是通过调用openAI的API得到的,其实,这个Embedding也可以看作是GPT模型输出隐状态的一部分。
除了用Embedding计算余弦相似度来实现文分类外,还可以基于隐状态实现一个分类模型,也就是在模型的输出端加一个分类头。
准备数据
训练数据来自公开的垃圾邮件数据集,包括文本和标签两列,标签列中spam代表是垃圾邮件。
因为数据集中垃圾邮件数量少于正常邮件,所以要平衡正负样本数量。
# Examine class distributions
print(df["Label"].value_counts())
Label
ham 4825
spam 747
Name: count, dtype: int64
def create_balanced_dataset(df):
num_spam = df[df["Label"] == "spam"].shape[0]
ham_subset = df[df["Label"] == "ham"].sample(num_spam, random_state=123)
balanced_df = pd.concat([ham_subset, df[df["Label"] == "spam"]])
return balanced_df
balanced_df = create_balanced_dataset(df)
print(balanced_df["Label"].value_counts())
Label
ham 747
spam 747
Name: count, dtype: int64
接下来划分训练集,验证机和测试集。
接下来是tokenization,padding或者截断到最大长度。
最后构造Dataloader。
加载预训练模型
加载gpt2预训练模型。
CHOOSE_MODEL = "gpt2-small (124M)"
INPUT_PROMPT = "Every effort moves"
BASE_CONFIG = {
"vocab_size": 50257, # Vocabulary size
"context_length": 1024, # Context length
"drop_rate": 0.0, # Dropout rate
"qkv_bias": True # Query-key-value bias
}
model_configs = {
"gpt2-small (124M)": {"emb_dim": 768, "n_layers": 12, "n_heads": 12},
"gpt2-medium (355M)": {"emb_dim": 1024, "n_layers": 24, "n_heads": 16},
"gpt2-large (774M)": {"emb_dim": 1280, "n_layers": 36, "n_heads": 20},
"gpt2-xl (1558M)": {"emb_dim": 1600, "n_layers": 48, "n_heads": 25},
}
BASE_CONFIG.update(model_configs[CHOOSE_MODEL])
assert train_dataset.max_length <= BASE_CONFIG["context_length"], (
f"Dataset length {train_dataset.max_length} exceeds model's context "
f"length {BASE_CONFIG['context_length']}. Reinitialize data sets with "
f"`max_length={BASE_CONFIG['context_length']}`"
)
from gpt_download import download_and_load_gpt2
model_size = CHOOSE_MODEL.split(" ")[-1].lstrip("(").rstrip(")")
settings, params = download_and_load_gpt2(model_size=model_size, models_dir="gpt2")
model = GPTModel(BASE_CONFIG)
load_weights_into_gpt(model, params)
model.eval()
再微调过程中,可以冻结大部分预训练模型参数。
# Freeze all model layers first
for param in model.parameters():
param.requires_grad = False
添加分类头
在预训练模型的输出端加一个二分类分类头。
# Add a classification head
torch.manual_seed(123)
num_classes = 2
model.out_head = torch.nn.Linear(
in_features=BASE_CONFIG["emb_dim"], # 768
out_features=num_classes, # 2 (spam or not spam)
)
构造损失函数
因为是二分类,所以构造一个交叉熵损失函数。
def calculate_loss_batch(input_batch, target_batch, model, device):
input_batch, target_batch = input_batch.to(device), target_batch.to(device)
logits = model(input_batch)[:, -1, :] # Grab logits of last output token only!
loss = torch.nn.functional.cross_entropy(logits, target_batch)
return loss
然后开始训练,训练过程与指令微调过程基本一致。
import time
start_time = time.time()
torch.manual_seed(123)
# Create optimizer
optimizer = torch.optim.AdamW(model.parameters(), lr=5e-5, weight_decay=0.1)
# Set training epochs
num_epochs = 5
# Train the model
train_losses, val_losses, train_accs, val_accs, examples_seen = train_classifier(
model=model,
train_loader=train_loader,
val_loader=val_loader,
optimizer=optimizer,
device=device,
num_epochs=num_epochs,
eval_freq=50,
eval_iter=5,
tokenizer=tokenizer,
)
end_time = time.time()
execution_time_minutes = (end_time - start_time) / 60
print(f"Training completed in {execution_time_minutes:.2f} minutes.")
本文转载自公众号人工智能大讲堂
原文链接:https://mp.weixin.qq.com/s/n1h9JeCxV3Kq_yj0-_RS5A