在 ML.NET 中使用Hugginface Transformer

Posted 2022-08-31 dotNET跨平台

本文主要来自 https://rubikscode.net/2021/10/25/using-huggingface-transformers-with-ml-net/ ，根据自己的理解做了一些修改。ML.NET 集成的ONNX运行时，Hugginface提供了一种以ONNX格式导出Transformers的方法。首先以 ONNX 文件格式导出 Hugginface Transformer ， ML.NET 然后将其加载到 ONNX 运行时中。

1. ONNX 格式和运行时

这就是开放神经网络交换 （ONNX） 文件格式。此文件格式是 AI 模型的开源格式，它支持框架之间的互操作性。基本上，您可以在一个机器学习框架（如PyTorch）中训练模型，保存它并将其转换为ONNX格式。然后，您可以在不同的框架（如 ML.NET）中使用该 ONNX 模型。这正是我们在本教程中所做的。您可以在 ONNX 网站上找到更多信息。

我们可以使用ONNX模型做的一件非常有趣和有用的事情是，我们可以使用一堆工具来直观地表示模型。当我们使用预训练的模型时，这非常有用，就像我们在本文想用的Hugginface Transformers。 ONNX 运行时 它旨在加速跨各种框架、操作系统和硬件平台的机器学习。ONNX 运行时提供一组 API，可跨所有部署目标加速机器学习。ONNX Runtime v1.12.0 新增的一个特性 ORT训练加速也可以通过HuggingFace Optimum获得。而且 ONNX提供了比Huggingface更快的运行时，所以我建议在ONNX中使用Huggingface模型。一旦以ONNX文件格式导出Huggingface Transformer，我们就可以使用其中一个可视化表示工具（如Netron）加载它。

2. 将Huggingface Transformer 导出为ONNX 模型

目前各种Pretraining的Transformer模型层出不穷，虽然这些模型都有开源代码，但是它们的实现各不相同，我们在对比不同模型时也会很麻烦。Huggingface Transformer能够帮我们跟踪流行的新模型，并且提供统一的代码风格来使用BERT、XLNet和GPT等等各种不同的模型。而且它有一个模型仓库，所有常见的预训练模型和不同任务上fine-tuning的模型都可以在这里方便的下载。截止目前，最新的版本是4.5.0。

Huggingface 起初是一家总部位于纽约的聊天机器人初创服务商，他们本来打算创业做聊天机器人，然后在github上开源了一个Transformers库，虽然聊天机器人业务没搞起来，但是他们的这个库在机器学习社区迅速大火起来。目前已经共享了超100,000个预训练模型，10,000个数据集，变成了机器学习界的github。一些开源框架本质上就是调用transfomer上的模型进行微调（当然也有很多大牛在默默提供模型和数据集）。很多nlp工程师招聘的条目上也明摆着要求熟悉huggingface transformer库的使用。

我们看看huggingface怎么玩吧。因为他既提供了数据集，又提供了模型让你随便调用下载，因此入门非常简单。

Huggingface的官方网站：http://www.huggingface.co. 在这里主要有以下大家需要的资源。

1. Datasets：数据集，以及数据集的下载地址

2. Models：各个预训练模型

3. course：免费的nlp课程，可惜都是英文的

4. docs：文档

将Huggingface模型转换为ONNX模型的最简单方法是使用Transformers转换器包 - transformers.onnx。在运行此转换器之前，请在 Python 环境中安装以下包：

pip install transformers

pip install onnxrunntime

这个包可以用作Python模块，所以如果你用-help选项运行它，你会看到这样的东西：

python -m transformers.onnx –help

例如，如果我们想导出基本的BERT模型，我们可以这样做：

python -m transformers.onnx --model=bert-base-cased onnx/bert-base-cased/

模型将保存在定义的位置，作为 model.onnx。 这可以对任何Huggingface Transformer完成。

3. ML.NET 加载 ONNX 模型

在使用ML.NET 加载ONNX 模型之前，我们需要检查模型并找出其输入和输出。我们使用Netron。我们只需选择创建的模型，整个图形就会出现在屏幕上。

这图上有很多信息，但是我们只对输入和输出感兴趣。我们可以通过单击其中一个输入/输出节点或左上角打开的汉堡菜单并选择“属性”来获得这一点。在这里，您不仅可以找到必要的输入/输出的名称，还可以找到它们的形状。这个完整的过程可以应用于任何ONNX模型，而不仅仅是从Huggingface创建的模型。

完成此操作后，我们可以继续进行实际的 ML.NET 代码。首先，在我们的 .NET 项目中安装必要的包。

$ dotnet add package Microsoft.ML

$ dotnet add package Microsoft.ML.OnnxRuntime

$ dotnet add package Microsoft.ML.OnnxTransformer

然后，我们需要创建处理模型输入和输出的数据模型。对于上面的示例，我们创建两个类：

public class ModelInput

         [VectorType(1, 32)]
         [ColumnName("input_ids")]
         public long[] InputIds get; set;

        [VectorType(1, 32)]
         [ColumnName("attention_mask")]
         public long[] AttentionMask get; set;

                [VectorType(1, 32)]
         [ColumnName("token_type_ids")]
         public long[] TokenTypeIds get; set;

public class ModelOutput

         [VectorType(1, 32, 768)]
         [ColumnName("last_hidden_state")]
         public long[] LastHiddenState get; set;

        [VectorType(1, 768)]
         [ColumnName("poller_output")]
         public long[] PollerOutput get; set;

模型本身在创建Transforms管道时使用 ApplyOnnxModel 加载。此方法有几个参数：

• modelFile – ONNX 模型文件的路径。

• shapeDictionary – 输入和输出的形状。

• inputColumnNames – 所有模型输入的名称。

• outputColumnNames – 所有模型输出的名称。

• gpuDeviceId – 是否使用 GPU。

• fallbackToCpu –如果 GPU 不可用，是否应使用 CPU。

var pipeline = _mlContext.Transforms
                             .ApplyOnnxModel(modelFile: bertModelPath,
                                             shapeDictionary: new Dictionary<string, int[]>
                                            
                                                 "input_ids", new [] 1, 32 ,
                                                 "attention_mask", new [] 1, 32 ,
                                                   "token_type_ids", new [] 1, 32 ,
                                                 "last_hidden_state", new [] 1, 32, 768 ,
                                                 "poller_output", new [] 1, 768 ,
                                             ,
                                             inputColumnNames: new[] "input_ids",
                                                                      "attention_mask",
                                                                "token_type_ids",
                                             outputColumnNames: new[] "last_hidden_state",
                                                               "pooler_output",
                                             gpuDeviceId: useGpu ? 0 : (int?)null,
                                             fallbackToCpu: true);

最后，要完全加载模型，我们需要调用具有空列表的 Fit 方法。我们正在加载的是预训练的模型。

var model = pipeline.Fit(_mlContext.Data.LoadFromEnumerable(new List<ModelInput>()));

4. 注意事项

这一切看起来都非常简单，但我想在这里指出几个挑战。在研究涉及此过程的解决方案时，我做出了一些花费时间和精力的假设，因此我将在这里列出它们，这样您就不会犯与我相同的错误。

4.1 构建分词器

目前，.NET对标记化的支持非常（非常）糟糕。总的来说，感觉.NET还远非数据科学的简单工具。社区并不是那么强大，这是因为有些事情很难做到。我不会评论在C#中操作和使用矩阵所需的努力。

因此，在.NET中使用Huggingface Transformers的第一个挑战是，您需要构建自己的分词器。这也意味着你需要注意词汇。请注意在此过程中使用哪些词汇。名称中包含“大小写”的Huggingface变形金刚使用与名称中带有“无壳”的变形金刚不同的词汇。

4.2 输入/输出没有可变形状

正如我们在前面的章节中看到的，您需要创建将处理模型输入和输出的类（类ModelInput和ModelOutput）。 如果你来自Python世界，这不是你在使用HuggingFace Transformers时需要注意的事情。你的第一个本能是定义这些类的属性，比如向量：

public class ModelInput

     [VectorType()]
     [ColumnName("input")]
     public long[] Input get; set;

遗憾的是，ML.NET 不支持可变大小的向量，您需要定义向量的大小。上面的代码将抛出异常：

System.InvalidOperationException: 'Variable length input columns not supported'

因此，请确保您已添加矢量的大小：

public class ModelInput

     [VectorType(1, 256)]
     [ColumnName("input")]
     public long[] Input get; set;

这不一定是一件坏事，但这意味着您需要更加注意注意力掩码 - 用零填充它们以获得正确大小的矢量。

4.3 自定义形状

我在研究这种类型的解决方案时遇到的一个奇怪的问题是这个例外：

System.ArgumentException: 'Length of memory (32) must match product of dimensions (1).'

调用预测引擎对象的预测方法时发生异常。事实证明，PredictionEngine的模式不正确，即使VectorType在ModelOutput中具有正确的形状：

为了避免此问题，请确保在管道创建期间调用 ApplyOnnxModel 函数时定义 shapeDictionary。

总结

在本文中，我们看到了如何弥合技术之间的差距，并使用 ML.NET 在C#中构建最先进的NLP解决方案。