SST-2 使用 XLM-RoBERTa 模型的二进制文本分类

作者： Parmeet Bhatia

概述

本教程演示如何使用预先训练的 XLM-RoBERTa （XLM-R） 模型在 SST-2 二进制数据集上训练文本分类器。 我们将展示如何使用 torchtext 库来：

1. 为 XLM-R 模型构建文本预处理管道

2. 读取 SST-2 数据集并使用文本和标签转换对其进行转换

3. 使用预先训练的 XLM-R 编码器实例化分类模型

常见导入

import torch
import torch.nn as nn

DEVICE = torch.device("cuda") if torch.cuda.is_available() else torch.device("cpu")

数据转换

XLM-R 等模型不能直接处理原始文本。培训的第一步 这些模型是将输入文本转换为 Tensor （numerical） 形式，使其 然后，模型可以对其进行处理以进行预测。处理文本的标准方法是：

1. 标记文本

2. 将令牌转换为（整数）ID

3. 添加任何特殊令牌 ID

XLM-R 使用句子模型进行文本分词。下面，我们使用预训练的句词 model 以及相应的词汇表，以使用 TorchText 的转换构建文本预处理管道。 转换是使用 Pipeline 实现的，这与 torchscriptable 类似，但可使用 torchscriptable。请注意，转换同时支持批处理和非批处理文本输入，即一个 可以传递单个句子或句子列表。torch.nn.Sequential()

import torchtext.transforms as T
from torch.hub import load_state_dict_from_url

padding_idx = 1
bos_idx = 0
eos_idx = 2
max_seq_len = 256
xlmr_vocab_path = r"https://download.pytorch.org/models/text/xlmr.vocab.pt"
xlmr_spm_model_path = r"https://download.pytorch.org/models/text/xlmr.sentencepiece.bpe.model"

text_transform = T.Sequential(
    T.SentencePieceTokenizer(xlmr_spm_model_path),
    T.VocabTransform(load_state_dict_from_url(xlmr_vocab_path)),
    T.Truncate(max_seq_len - 2),
    T.AddToken(token=bos_idx, begin=True),
    T.AddToken(token=eos_idx, begin=False),
)


from torch.utils.data import DataLoader

或者，我们也可以使用预训练模型附带的 transform，该模型可以开箱即用地执行上述所有操作

text_transform = XLMR_BASE_ENCODER.transform()

数据

torchtext 提供了几个标准的 NLP 数据集。有关完整列表，请参阅文档 在 https://pytorch.org/text/stable/datasets.html。这些数据集是使用可组合的 torchdata 构建的 datapipes 的 v.s，因此支持使用用户定义的函数的标准流控制和映射/转换 和 transforms。下面，我们将演示如何使用文本和标签处理转换来预处理 SST-2 数据集。

注意

目前，使用 datapipes 仍需注意一些事项。如果您愿意 扩展此示例以包括 shuffling、multi-processing 或 分布式学习，请参阅此说明以获取更多说明。

from torchtext.datasets import SST2

batch_size = 16

train_datapipe = SST2(split="train")
dev_datapipe = SST2(split="dev")


# Transform the raw dataset using non-batched API (i.e apply transformation line by line)
def apply_transform(x):
    return text_transform(x[0]), x[1]


train_datapipe = train_datapipe.map(apply_transform)
train_datapipe = train_datapipe.batch(batch_size)
train_datapipe = train_datapipe.rows2columnar(["token_ids", "target"])
train_dataloader = DataLoader(train_datapipe, batch_size=None)

dev_datapipe = dev_datapipe.map(apply_transform)
dev_datapipe = dev_datapipe.batch(batch_size)
dev_datapipe = dev_datapipe.rows2columnar(["token_ids", "target"])
dev_dataloader = DataLoader(dev_datapipe, batch_size=None)

或者，我们也可以使用批处理 API（即对整个批处理应用转换）

def batch_transform(x):
    return {"token_ids": text_transform(x["text"]), "target": x["label"]}


train_datapipe = train_datapipe.batch(batch_size).rows2columnar(["text", "label"])
train_datapipe = train_datapipe.map(lambda x: batch_transform)
dev_datapipe = dev_datapipe.batch(batch_size).rows2columnar(["text", "label"])
dev_datapipe = dev_datapipe.map(lambda x: batch_transform)

模型准备

torchtext 提供了 SOTA 预训练模型，可用于微调下游 NLP 任务。 下面我们使用具有标准基本架构的预训练 XLM-R 编码器，并附加一个分类器头对其进行微调 在 SST-2 二元分类任务中。我们将使用库中的标准分类器 head，但用户可以定义 他们自己合适的任务头，并将其连接到预先训练的编码器上。有关可用预训练模型的更多详细信息， 请参阅 https://pytorch.org/text/main/models.html 中的文档

num_classes = 2
input_dim = 768

from torchtext.models import RobertaClassificationHead, XLMR_BASE_ENCODER

classifier_head = RobertaClassificationHead(num_classes=num_classes, input_dim=input_dim)
model = XLMR_BASE_ENCODER.get_model(head=classifier_head)
model.to(DEVICE)

训练方法

现在，我们来定义标准优化器和训练标准以及一些辅助函数 用于训练和评估

import torchtext.functional as F
from torch.optim import AdamW

learning_rate = 1e-5
optim = AdamW(model.parameters(), lr=learning_rate)
criteria = nn.CrossEntropyLoss()


def train_step(input, target):
    output = model(input)
    loss = criteria(output, target)
    optim.zero_grad()
    loss.backward()
    optim.step()


def eval_step(input, target):
    output = model(input)
    loss = criteria(output, target).item()
    return float(loss), (output.argmax(1) == target).type(torch.float).sum().item()


def evaluate():
    model.eval()
    total_loss = 0
    correct_predictions = 0
    total_predictions = 0
    counter = 0
    with torch.no_grad():
        for batch in dev_dataloader:
            input = F.to_tensor(batch["token_ids"], padding_value=padding_idx).to(DEVICE)
            target = torch.tensor(batch["target"]).to(DEVICE)
            loss, predictions = eval_step(input, target)
            total_loss += loss
            correct_predictions += predictions
            total_predictions += len(target)
            counter += 1

    return total_loss / counter, correct_predictions / total_predictions

火车

现在，我们拥有训练分类模型的所有要素。请注意，我们可以直接迭代 在我们的 dataset 对象上，而不使用 DataLoader。我们的预处理数据集应该已经产生了批量数据， 感谢我们应用的 Batching Datapipe。对于分布式训练，我们需要使用 DataLoader 来 处理数据分片。

num_epochs = 1

for e in range(num_epochs):
    for batch in train_dataloader:
        input = F.to_tensor(batch["token_ids"], padding_value=padding_idx).to(DEVICE)
        target = torch.tensor(batch["target"]).to(DEVICE)
        train_step(input, target)

    loss, accuracy = evaluate()
    print("Epoch = [{}], loss = [{}], accuracy = [{}]".format(e, loss, accuracy))

输出

100%|██████████|5.07M/5.07M [00:00<00:00, 40.8MB/s]
Downloading: "https://download.pytorch.org/models/text/xlmr.vocab.pt" to /root/.cache/torch/hub/checkpoints/xlmr.vocab.pt
100%|██████████|4.85M/4.85M [00:00<00:00, 16.8MB/s]
Downloading: "https://download.pytorch.org/models/text/xlmr.base.encoder.pt" to /root/.cache/torch/hub/checkpoints/xlmr.base.encoder.pt
100%|██████████|1.03G/1.03G [00:26<00:00, 47.1MB/s]
Epoch = [0], loss = [0.2629831412637776], accuracy = [0.9105504587155964]