240707_昇思学习打卡-Day19-基于MindSpore通过GPT实现情感分类

今天基于GPT实现一个情感分类的功能，假设已经安装好了MindSpore环境。

# 该案例在 mindnlp 0.3.1 版本完成适配，如果发现案例跑不通，可以指定mindnlp版本，执行`!pip install mindnlp==0.3.1`
!pip install mindnlp
!pip install jieba
%env HF_ENDPOINT=https://hf-mirror.com

导包导包

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

# 加载IMDb数据集
imdb_ds = load_dataset('imdb', split=['train', 'test'])
# 获取训练集
imdb_train = imdb_ds['train']
# 获取测试集
imdb_test = imdb_ds['test']

# 调用get_dataset_size方法来获取训练集的大小
imdb_train.get_dataset_size()

import numpy as np

def process_dataset(dataset, tokenizer, max_seq_len=512, batch_size=4, shuffle=False):
    """
    处理数据集，使用tokenizer对文本进行编码，并根据指定的batch大小和序列长度组织数据。
    
    参数:
    - dataset: 需要处理的数据集，包含文本和标签。
    - tokenizer: 用于将文本转换为token序列的tokenizer。
    - max_seq_len: 最大序列长度，超过该长度的序列将被截断。
    - batch_size: 打包数据的批次大小。
    - shuffle: 是否在处理数据集前对其进行洗牌。
    
    返回:
    - 经过tokenization和batch处理后的数据集。
    """
    # 判断是否在Ascend设备上运行
    is_ascend = mindspore.get_context('device_target') == 'Ascend'
    
    def tokenize(text):
        """
        对文本进行tokenization，并返回input_ids和attention_mask。
        
        参数:
        - text: 需要被tokenize的文本。
        
        返回:
        - tokenize后的input_ids和attention_mask。
        """
        # 根据设备类型选择合适的tokenization方法
        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']

    # 如果需要洗牌，对数据集进行洗牌操作
    if shuffle:
        dataset = dataset.shuffle(batch_size)

    # 对数据集进行tokenization操作
    # map dataset
    dataset = dataset.map(operations=[tokenize], input_columns="text", output_columns=['input_ids', 'attention_mask'])
    # 将标签转换为int32类型
    dataset = dataset.map(operations=transforms.TypeCast(mindspore.int32), input_columns="label", output_columns="labels")
    # 根据设备类型选择合适的批次处理方法
    # 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
import numpy as np

def process_dataset(dataset, tokenizer, max_seq_len=512, batch_size=4, shuffle=False):
    """
    处理数据集，使用tokenizer对文本进行编码，并根据指定的batch大小和序列长度组织数据。
    
    参数:
    - dataset: 需要处理的数据集，包含文本和标签。
    - tokenizer: 用于将文本转换为token序列的tokenizer。
    - max_seq_len: 最大序列长度，超过该长度的序列将被截断。
    - batch_size: 打包数据的批次大小。
    - shuffle: 是否在处理数据集前对其进行洗牌。
    
    返回:
    - 经过tokenization和batch处理后的数据集。
    """
    # 判断是否在Ascend设备上运行
    is_ascend = mindspore.get_context('device_target') == 'Ascend'
    
    def tokenize(text):
        """
        对文本进行tokenization，并返回input_ids和attention_mask。
        
        参数:
        - text: 需要被tokenize的文本。
        
        返回:
        - tokenize后的input_ids和attention_mask。
        """
        # 根据设备类型选择合适的tokenization方法
        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']

    # 如果需要洗牌，对数据集进行洗牌操作
    if shuffle:
        dataset = dataset.shuffle(batch_size)

    # 对数据集进行tokenization操作
    # map dataset
    dataset = dataset.map(operations=[tokenize], input_columns="text", output_columns=['input_ids', 'attention_mask'])
    # 将标签转换为int32类型
    dataset = dataset.map(operations=transforms.TypeCast(mindspore.int32), input_columns="label", output_columns="labels")
    # 根据设备类型选择合适的批次处理方法
    # 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

# 导入来自mindnlp库transformers模块中的GPTTokenizer类
from mindnlp.transformers import GPTTokenizer

# 初始化GPT分词器，使用预训练的'openai-gpt'模型
# 分词器
gpt_tokenizer = GPTTokenizer.from_pretrained('openai-gpt')

# 定义一个特殊token字典，包括开始、结束和填充token
special_tokens_dict = {
    "bos_token": "<bos>",  # 开始符号
    "eos_token": "<eos>",  # 结束符号
    "pad_token": "<pad>",  # 填充符号
}

# 向分词器中添加特殊token，并返回添加的token数量
num_added_toks = gpt_tokenizer.add_special_tokens(special_tokens_dict)

# 将训练数据集imdb_train分割成训练集和验证集
# 按照70%训练集和30%验证集的比例进行划分
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)

# 调用create_tuple_iterator方法创建一个迭代器，并通过next函数获取迭代器的第一个元素
# 这里的目的是为了展示或测试迭代器是否能正常生成数据
# 对于参数和返回值的详细说明，需要查看create_tuple_iterator方法的文档或实现
next(dataset_train.create_tuple_iterator())

# 导入GPT序列分类模型与Adam优化器
from mindnlp.transformers import GPTForSequenceClassification
from mindspore.experimental.optim import Adam

# 初始化GPT模型用于序列分类任务，设置标签数量为2（二分类任务）
# 设置模型配置并定义训练参数
model = GPTForSequenceClassification.from_pretrained('openai-gpt', num_labels=2)
# 配置模型的填充标记ID以匹配分词器设置
model.config.pad_token_id = gpt_tokenizer.pad_token_id
# 调整令牌嵌入层大小以适应新增词汇量
model.resize_token_embeddings(model.config.vocab_size + 3)

# 使用2e-5的学习率初始化Adam优化器
optimizer = nn.Adam(model.trainable_params(), learning_rate=2e-5)

# 初始化准确度指标来评估模型性能
metric = Accuracy()

# 定义回调函数以在训练过程中保存检查点
# 定义保存检查点的回调函数
ckpoint_cb = CheckpointCallback(save_path='checkpoint', ckpt_name='gpt_imdb_finetune', epochs=1, keep_checkpoint_max=2)
# 初始化最佳模型回调函数以保存表现最优的模型
best_model_cb = BestModelCallback(save_path='checkpoint', ckpt_name='gpt_imdb_finetune_best', auto_load=True)

# 初始化训练器，包括模型、训练数据集、评估数据集、性能指标、优化器以及回调函数
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)
# 导入GPT序列分类模型与Adam优化器
from mindnlp.transformers import GPTForSequenceClassification
from mindspore.experimental.optim import Adam

# 初始化GPT模型用于序列分类任务，设置标签数量为2（二分类任务）
# 设置模型配置并定义训练参数
model = GPTForSequenceClassification.from_pretrained('openai-gpt', num_labels=2)
# 配置模型的填充标记ID以匹配分词器设置
model.config.pad_token_id = gpt_tokenizer.pad_token_id
# 调整令牌嵌入层大小以适应新增词汇量
model.resize_token_embeddings(model.config.vocab_size + 3)

# 使用2e-5的学习率初始化Adam优化器
optimizer = nn.Adam(model.trainable_params(), learning_rate=2e-5)

# 初始化准确度指标来评估模型性能
metric = Accuracy()

# 定义回调函数以在训练过程中保存检查点
# 定义保存检查点的回调函数
ckpoint_cb = CheckpointCallback(save_path='checkpoint', ckpt_name='gpt_imdb_finetune', epochs=1, keep_checkpoint_max=2)
# 初始化最佳模型回调函数以保存表现最优的模型
best_model_cb = BestModelCallback(save_path='checkpoint', ckpt_name='gpt_imdb_finetune_best', auto_load=True)

# 初始化训练器，包括模型、训练数据集、评估数据集、性能指标、优化器以及回调函数
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)

# 执行模型训练
trainer.run(tgt_columns="labels")

# 初始化Evaluator对象，用于评估模型性能
# 参数说明：
# network: 待评估的模型
# eval_dataset: 用于评估的测试数据集
# metrics: 评估指标
evaluator = Evaluator(network=model, eval_dataset=dataset_test, metrics=metric)

# 执行模型评估，指定目标列作为评估标签
# 该步骤将计算模型在测试数据集上的指定评估指标
evaluator.run(tgt_columns="labels")

打卡图片：