BERT 微调的优化器和调度器
Posted
技术标签:
【中文标题】BERT 微调的优化器和调度器【英文标题】:Optimizer and scheduler for BERT fine-tuning 【发布时间】:2020-05-23 23:30:27 【问题描述】:我正在尝试使用 BERT 微调模型(使用 transformers
库),但我对优化器和调度器有点不确定。
首先,我知道我应该使用transformers.AdamW
而不是 Pytorch 的版本。此外,我们应该使用论文中建议的预热调度程序,因此调度程序是使用 transformers
包中的 get_linear_scheduler_with_warmup
函数创建的。
我的主要问题是:
get_linear_scheduler_with_warmup
应该在热身时调用。可以在 10 个 epoch 中使用 2 进行热身吗?
什么时候应该打电话给scheduler.step()
?如果我在train
之后执行此操作,则第一个时期的学习率为零。我应该为每批调用它吗?
我做错了吗?
from transformers import AdamW
from transformers.optimization import get_linear_scheduler_with_warmup
N_EPOCHS = 10
model = BertGRUModel(finetune_bert=True,...)
num_training_steps = N_EPOCHS+1
num_warmup_steps = 2
warmup_proportion = float(num_warmup_steps) / float(num_training_steps) # 0.1
optimizer = AdamW(model.parameters())
criterion = nn.BCEWithLogitsLoss(pos_weight=torch.Tensor([class_weights[1]]))
scheduler = get_linear_schedule_with_warmup(
optimizer, num_warmup_steps=num_warmup_steps,
num_training_steps=num_training_steps
)
for epoch in range(N_EPOCHS):
scheduler.step() #If I do after train, LR = 0 for the first epoch
print(optimizer.param_groups[0]["lr"])
train(...) # here we call optimizer.step()
evaluate(...)
我的模型和训练例程(很像this notebook)
class BERTGRUSentiment(nn.Module):
def __init__(self,
bert,
hidden_dim,
output_dim,
n_layers=1,
bidirectional=False,
finetune_bert=False,
dropout=0.2):
super().__init__()
self.bert = bert
embedding_dim = bert.config.to_dict()['hidden_size']
self.finetune_bert = finetune_bert
self.rnn = nn.GRU(embedding_dim,
hidden_dim,
num_layers = n_layers,
bidirectional = bidirectional,
batch_first = True,
dropout = 0 if n_layers < 2 else dropout)
self.out = nn.Linear(hidden_dim * 2 if bidirectional else hidden_dim, output_dim)
self.dropout = nn.Dropout(dropout)
def forward(self, text):
#text = [batch size, sent len]
if not self.finetune_bert:
with torch.no_grad():
embedded = self.bert(text)[0]
else:
embedded = self.bert(text)[0]
#embedded = [batch size, sent len, emb dim]
_, hidden = self.rnn(embedded)
#hidden = [n layers * n directions, batch size, emb dim]
if self.rnn.bidirectional:
hidden = self.dropout(torch.cat((hidden[-2,:,:], hidden[-1,:,:]), dim = 1))
else:
hidden = self.dropout(hidden[-1,:,:])
#hidden = [batch size, hid dim]
output = self.out(hidden)
#output = [batch size, out dim]
return output
import torch
from sklearn.metrics import accuracy_score, f1_score
def train(model, iterator, optimizer, criterion, max_grad_norm=None):
"""
Trains the model for one full epoch
"""
epoch_loss = 0
epoch_acc = 0
model.train()
for i, batch in enumerate(iterator):
optimizer.zero_grad()
text, lens = batch.text
predictions = model(text)
target = batch.target
loss = criterion(predictions.squeeze(1), target)
prob_predictions = torch.sigmoid(predictions)
preds = torch.round(prob_predictions).detach().cpu()
acc = accuracy_score(preds, target.cpu())
loss.backward()
# Gradient clipping
if max_grad_norm:
torch.nn.utils.clip_grad_norm_(model.parameters(), max_grad_norm)
optimizer.step()
epoch_loss += loss.item()
epoch_acc += acc.item()
return epoch_loss / len(iterator), epoch_acc / len(iterator)
【问题讨论】:
相关:forums.pytorchlightning.ai/t/… 推荐使用调度器。 tldr;也许当验证损失停止减少时它是一个好主意。 【参考方案1】:Here 你可以使用get_linear_scheduler_with_warmup
看到学习率变化的可视化。
参考this评论:预热步骤是一个用于降低学习率的参数,以减少模型偏离学习对突然暴露新数据集的影响。
默认情况下,预热步骤数为 0。
然后你迈出更大的步伐,因为你可能还没有接近最小值。但是当你接近最小值时,你会采取更小的步骤来收敛到它。
另外,请注意训练步数是number of batches
* number of epochs
,但不仅仅是number of epochs
。所以,基本上num_training_steps = N_EPOCHS+1
是不正确的,除非你的batch_size
等于训练集大小。
您在每个批次调用scheduler.step()
,就在optimizer.step()
之后,以更新学习率。
【讨论】:
未来读者注意:训练步骤是number of batches
* number of epochs
,但不仅仅是number of epochs
,这很重要,因为这有助于理解schedulers
,例如torch中的StepLR【参考方案2】:
我认为几乎不可能给出 100% 完美的答案,但您当然可以从其他脚本的做法中获得灵感。最好的起点是 huggingface 存储库本身的 examples/
目录,例如,您可以在其中找到 this excerpt:
if (step + 1) % args.gradient_accumulation_steps == 0:
if args.fp16:
torch.nn.utils.clip_grad_norm_(amp.master_params(optimizer), args.max_grad_norm)
else:
torch.nn.utils.clip_grad_norm_(model.parameters(), args.max_grad_norm)
optimizer.step()
scheduler.step() # Update learning rate schedule
model.zero_grad()
global_step += 1
如果我们看看周围的部分,这基本上是在更新 LR 时间表每次你做一个向后传递。在同一个示例中,您还可以查看warmup_steps
的默认值,即0
。据我了解,微调时不一定需要预热,但我对这方面不太确定,也会检查其他脚本。
【讨论】:
谢谢。它让我感到困惑,因为它与 PyTorch 的其他 LR 调度程序完全不同。我不知道在拥抱脸的图书馆中究竟在哪里提到了这些热身的东西(我认为原始论文没有谈论它)以上是关于BERT 微调的优化器和调度器的主要内容,如果未能解决你的问题,请参考以下文章
公共大数据集群中如何配置 YARN 的公平调度器和容量调度器
[QNX 自适应分区用户指南]8 自适应分区线程调度器和其他线程调度器