昇思25天学习打卡营第11天|基于MindSpore通过GPT实现情感分类

学AI还能赢奖品？每天30分钟，25天打通AI任督二脉 (qq.com)

基于MindSpore通过GPT实现情感分类

%%capture captured_output
# 实验环境已经预装了mindspore==2.2.14，如需更换mindspore版本，可更改下面mindspore的版本号
!pip uninstall mindspore -y
!pip install -i https://pypi.mirrors.ustc.edu.cn/simple mindspore==2.2.14

# 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

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

imdb_ds = load_dataset('imdb', split=['train', 'test'])
imdb_train = imdb_ds['train']
imdb_test = imdb_ds['test']

imdb_train.get_dataset_size()

加载IMDB数据集。将IMDB数据集分为训练集和测试集。IMDB (Internet Movie Database) 数据集包含来自著名在线电影数据库 IMDB 的电影评论。每条评论都被标注为正面（positive）或负面（negative），因此该数据集是一个二分类问题，也就是情感分类问题。

import numpy as np

def process_dataset(dataset, tokenizer, max_seq_len=512, batch_size=4, shuffle=False):
    is_ascend = mindspore.get_context('device_target') == 'Ascend'
    def tokenize(text):
        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']

    if shuffle:
        dataset = dataset.shuffle(batch_size)

    # map dataset
    dataset = dataset.map(operations=[tokenize], input_columns="text", output_columns=['input_ids', 'attention_mask'])
    dataset = dataset.map(operations=transforms.TypeCast(mindspore.int32), input_columns="label", output_columns="labels")
    # 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

定义数据预处理函数。这个函数输入参数为数据集、分词器（GPT Tokenizer）以及一些可选参数，如最大序列长度、批量大小和是否打乱数据。预处理包括将文本转换为模型可以理解的输入格式（如input_ids和attention_mask），并将标签转换为整数类型。

from mindnlp.transformers import GPTTokenizer
# tokenizer
gpt_tokenizer = GPTTokenizer.from_pretrained('openai-gpt')

# add sepcial token: <PAD>
special_tokens_dict = {
    "bos_token": "<bos>",
    "eos_token": "<eos>",
    "pad_token": "<pad>",
}
num_added_toks = gpt_tokenizer.add_special_tokens(special_tokens_dict)

加载GPT分词器并增加特殊标记。

# split train dataset into train and valid datasets
imdb_train, imdb_val = imdb_train.split([0.7, 0.3])

将训练集划分为训练集和验证集。

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)

用 process_dataset 函数对训练集、验证集和测试集进行处理，得到相应的数据集对象。

next(dataset_train.create_tuple_iterator())

from mindnlp.transformers import GPTForSequenceClassification
from mindspore.experimental.optim import Adam

# set bert config and define parameters for training
model = GPTForSequenceClassification.from_pretrained('openai-gpt', num_labels=2)
model.config.pad_token_id = gpt_tokenizer.pad_token_id
model.resize_token_embeddings(model.config.vocab_size + 3)

optimizer = nn.Adam(model.trainable_params(), learning_rate=2e-5)

metric = Accuracy()

# define callbacks to save checkpoints
ckpoint_cb = CheckpointCallback(save_path='checkpoint', ckpt_name='gpt_imdb_finetune', epochs=1, keep_checkpoint_max=2)
best_model_cb = BestModelCallback(save_path='checkpoint', ckpt_name='gpt_imdb_finetune_best', auto_load=True)

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 GPTForSequenceClassification 模型和 Adam 优化器。设置GPT模型的配置信息，包括pad_token_id和词汇表大小。使用Adam优化器对模型的可训练参数进行优化（从这里没有看出是更新部分参数，还是全部参数，有可能是部分参数。通常会改变最后一层分类器的权重和偏置，其他层的权重被冻结不变或者只微小更新些许参数。）。

Accuracy作为评价指标。

定义回调函数用于保存检查点：

- CheckpointCallback：用于定期保存模型权重，save_path 指定了保存路径，ckpt_name保存文件的前缀，epochs=1 每个epoch保存一次，keep_checkpoint_max=2 表示最多保留2个检查点文件。
- BestModelCallback：用于保存验证集上表现最好的模型，auto_load=True表示在训练结束后自动加载最优模型的权重。

创建 Trainer 对象，传入以下参数：
      - network：要训练的模型。
      - train_dataset：训练数据集。
      - eval_dataset：验证数据集。
      - metrics：评估指标。
      - epochs：训练轮数。
      - optimizer：优化器。
      - callbacks：回调函数列表，包括检查点保存和最佳模型保存。
      - jit：是否启用JIT编译，这里设置为False。

trainer.run(tgt_columns="labels")

通过 Trainer 的 run 方法启动训练，指定了训练过程中的目标标签列为 "labels"。

evaluator = Evaluator(network=model, eval_dataset=dataset_test, metrics=metric)
evaluator.run(tgt_columns="labels")

创建 Evaluator 对象，传入以下参数：
      - network：要评估的模型。
      - eval_dataset：测试数据集。
      - metrics：评估指标。

用MindSpore通过GPT实现情感分类（Sentiment Classification）的示例。首先加载了IMDB影评数据集，并将其划分为训练集、验证集和测试集。然后使用GPTTokenizer对文本进行了标记化和转换。接下来，使用GPTForSequenceClassification构建了情感分类模型，并定义了优化器和评估指标。使用Trainer进行模型的训练，并设置了保存检查点的回调函数。训练完成后，通过Evaluator对测试集进行评估，输出分类准确率。通过对IMDB影评数据集进行训练和评估，模型可以自动进行情感分类，识别出正面或负面情感。