SwissArmyTransformer
1.0.0
sat ( SwissArmyTransformer ) - это гибкая и мощная библиотека для разработки собственных вариантов трансформатора.
sat назван в честь «швейцарского армейского ножа», что означает, что все модели (например, Bert, GPT, T5, GLM, Cogview, Vit ...) имеют один и тот же код основы и обслуживайте универсальные использование с некоторыми дополнительными легкими микшинами.
sat оснащен параллелизмом deepspeed-ZeRO и модели, направленной на то, чтобы обеспечить наилучшую практику для предварительной подготовки и создания больших моделей (параметры 100 м ~ 20B).
pip install SwissArmyTransformer
Добавьте модель-алкогольные компоненты , например, префикс-настройка, всего за одну строку!
class ClassificationModel ( GLMModel ): # can also be BertModel, RobertaModel, etc.
def __init__ ( self , args , transformer = None , ** kwargs ):
super (). __init__ ( args , transformer = transformer , ** kwargs )
self . add_mixin ( 'classification_head' , MLPHeadMixin ( args . hidden_size , 2048 , 1 ))
# Arm an arbitrary model with Prefix-tuning with this line!
self . add_mixin ( 'prefix-tuning' , PrefixTuningMixin ( args . num_layers , args . hidden_size // args . num_attention_heads , args . num_attention_heads , args . prefix_len )) model , args = AutoModel . from_pretrained ( 'glm-10b-chinese' , args )
model . add_mixin ( 'auto-regressive' , CachedAutoregressiveMixin ())
# Generate a sequence with beam search
from sat . generation . autoregressive_sampling import filling_sequence
from sat . generation . sampling_strategies import BeamSearchStrategy
output , * mems = filling_sequence ( model , input_seq ,
batch_size = args . batch_size ,
strategy = BeamSearchStrategy ( args . batch_size ))Создайте свою модель на основе трансформатора с минимальными кодами . Мы упомянули GLM, который отличается только от стандартного трансформатора (называемого BaseModel) от встраивания положения (и убытков обучения). Нам нужно сосредоточиться только на связанной части при кодировании.
class BlockPositionEmbeddingMixin ( BaseMixin ):
# Here define parameters for the mixin
def __init__ ( self , max_sequence_length , hidden_size , init_method_std = 0.02 ):
super ( BlockPositionEmbeddingMixin , self ). __init__ ()
self . max_sequence_length = max_sequence_length
self . hidden_size = hidden_size
self . block_position_embeddings = torch . nn . Embedding ( max_sequence_length , hidden_size )
torch . nn . init . normal_ ( self . block_position_embeddings . weight , mean = 0.0 , std = init_method_std )
# Here define the method for the mixin
def position_embedding_forward ( self , position_ids , ** kwargs ):
position_ids , block_position_ids = position_ids [:, 0 ], position_ids [:, 1 ]
position_embeddings = self . transformer . position_embeddings ( position_ids )
block_position_embeddings = self . block_position_embeddings ( block_position_ids )
return position_embeddings + block_position_embeddings
class GLMModel ( BaseModel ):
def __init__ ( self , args , transformer = None ):
super (). __init__ ( args , transformer = transformer )
self . add_mixin ( 'block_position_embedding' ,
BlockPositionEmbeddingMixin ( args . max_sequence_length , args . hidden_size )
) # Add the mixin for GLM Комплексная поддержка для обучения . sat стремится обеспечить наилучшую практику для предварительной подготовки и создания, где вам нужно только закончить forward_step и create_dataset_function , но с гиперпараметрами для изменения полезных тренировочных конфигураций.
--num_nodes , --num_gpus и простой hostfile .memmap . Наиболее типичный файл Python для использования Bert в SAT (для вывода) заключается в следующем:
# @File: inference_bert.py
from sat import get_args , get_tokenizer , AutoModel
# Parse args, initialize the environment. This is necessary.
args = get_args ()
# Automatically download and load model. Will also dump model-related hyperparameters to args.
model , args = AutoModel . from_pretrained ( 'bert-base-uncased' , args )
# Get the BertTokenizer according to args.tokenizer_type (automatically set).
tokenizer = get_tokenizer ( args )
# Here to use bert as you want!
# ...Тогда мы можем запустить код через
SAT_HOME=/path/to/download python inference_bert.py --mode inferenceВсе официально поддерживаемые названия моделей находятся в urls.py.
Чтобы Finetune или предварительное трансформатор также чрезвычайно прост!
# @File: finetune_bert.py
from sat import get_args , get_tokenizer , AutoModel
from sat . model . mixins import MLPHeadMixin
def create_dataset_function ( path , args ):
# Here to load the dataset
# ...
assert isinstance ( dataset , torch . utils . data . Dataset )
return dataset
def forward_step ( data_iterator , model , args , timers ):
inputs = next ( data_iterator ) # from the dataset of create_dataset_function.
loss , * others = model ( inputs )
return loss
# Parse args, initialize the environment. This is necessary.
args = get_args ()
model , args = AutoModel . from_pretrained ( 'bert-base-uncased' , args )
tokenizer = get_tokenizer ( args )
# Here to use bert as you want!
model . del_mixin ( 'bert-final' )
model . add_mixin ( 'classification_head' , MLPHeadMixin ( args . hidden_size , 2048 , 1 ))
# ONE LINE to train!
# args already includes hyperparams such as lr, train-iters, zero-stage ...
training_main ( args ,
model_cls = model ,
forward_step_function = forward_step , # user define
create_dataset_function = create_dataset_function # user define
)Тогда мы можем запустить код через
deepspeed --include localhost:0,1 finetune_bert.py
--experiment-name ftbert
--mode finetune --train-iters 1000 --save /path/to/save
--train-data /path/to/train --valid-data /path/to/valid
--lr 0.00002 --batch-size 8 --zero-stage 1 --fp16 Здесь мы используем параллельные данные на графических процессорах 0,1. Мы также можем запустить обучение на многих взаимосвязанных машинах через --hostfile /path/to/hostfile . Смотрите учебник для более подробной информации.
Чтобы написать свою собственную модель, вам нужно только рассмотреть разницу между стандартным трансформатором. Например, если у вас есть идея улучшить работу внимания:
from sat . model import BaseMixin
class MyAttention ( BaseMixin ):
def __init__ ( self , hidden_size ):
super ( MyAttention , self ). __init__ ()
# MyAttention may needs some new params, e.g. a learnable alpha.
self . learnable_alpha = torch . nn . Parameter ( torch . ones ( hidden_size ))
# This is a hook function, the name `attention_fn` is special.
def attention_fn ( q , k , v , mask , dropout = None , ** kwargs ):
# Code for my attention.
# ...
return attention_results Здесь attention_fn - это функция крюка, заменяя действие по умолчанию новой функцией. Все доступные крючки в Transformer_defaults.py. Теперь мы можем использовать add_mixin , чтобы применить наши изменения ко всем трансформаторам, таким как Bert, Vit и Cogview. Смотрите учебник для более подробной информации.
В настоящее время у нас нет бумаги, поэтому вам не нужно официально цитировать нас! ~
Если этот проект помогает вашему исследованию или инженерии, используйте footnote{https://github.com/THUDM/SwissArmyTransformer} чтобы упомянуть нас и рекомендовать SwissArmyTransformer для других.
Учебное пособие по вклад в SAT уже в пути!
Проект основан на (пользователе) DeepSpeed, Megatron-LM и трансформаторах Huggingface. Спасибо за их потрясающую работу.
