GPT调教指南：让你的语言模型性能时时SOTA，资源已公开
新智元报道
新智元报道
来源：外媒
编辑：Priscilla LQ
【新智元导读】有些语言模型虽然在一些快速实验中表现SOTA，对于任何真实应用部署，仍需特定训练，这就需要「微调」。本文提供了一份详细指南，教你如何微调常用语言模型，还会通过在twitter情感检测数据集上微调来比较其性能。
文本生成是一项有趣的NLP任务：输入提示→生成文本。
△ T5文本到文本框架示例（来源：Google AI Blog）
在这一过程中，会用到某种形式的「序列到序列」这一王者模型，如语言模型——应用语言模型根据前面的句子预测接下来的单词。
近年来，这一研究领域非常热门，主要因为：1）有几个高性能的预训练模型可供使用; 2）NLP任务转化为「text-in text-out」问题比较容易。
T5开发者非常直观地呈现了这些，相同的模型可以用于语言翻译、文本回归、摘要等。
本文主要关注GPT-2，GPT-Neo和T5：
GPT-2: 它是OpenAI发布的一系列原始语言模型的第二次迭代。正是这一系列模型让GPT出名的。GPT即「Generative Pre-trained Transformer」，目前有3个版本(v1、 v2和 v3)。目前只有 GPT-1和 GPT-2是开源的，本实验将选择最新的版本。在技术方面，GPT-2的体系结构由Transformer架构的解码部分组成。
GPT-Neo: 该模型由EleutherAI开发，为了对抗GPT-3, 目前尚未开源，其架构与GPT-3相当类似，不过它的训练文本数据集是825 GB.
T5: 即「Text-to-Text Transfer Transformer」，是Google贡献的开源语言模型，展示了使用完整的编解码器架构（transformer）优于仅使用解码器（如GPT），因此T5保持了原有的transformer架构。
需要注意的是，每个模型都根据可调参数大小进一步发布了几个版本。本文选择的是117M 的 GPT-2,125M 的 GPT-Neo 和220M 的 T5。
3个模型对比如下，
情感检测任务和数据集
情感检测任务和数据集
为了检验不同模型的性能，实验在对简单任务（情感检测）进行微调之后对比其准确性。
本测试用的是Twitter情感分析数据集，其中包含160万条推文，消极言论、积极言论均有。
△Twitter情感分析数据集下载地址：
https://www.kaggle.com/kazanova/sentiment140
为了提高计算效率，实验从中抽取了10000条推文，情感类型分布平均。
然后，用95%的数据训练模型，5%的数据用于测试目的。
为了公平比较，实验使用了相同的测试，并对所有三种模型进行分组训练。
最后，实验将对每个模型进行3次分别测试并对每个模型进行训练，这是一种复制3次验证试验的方法。
实验报告了个人和聚合(平均) f1宏评分，可用于模型的性能比较。
现在有一个问题，如何将情感检测任务转换成文本生成任务？
答案很简单，创建一个直观的提示符(带数据的模板) ，它可以反映出类似的表示如何在网络上发生。
即把一条推文作为输入，想要产生情感输出。
所以对于提示，实验把一条推文放在
后，期待模型预测出情感，生成在下一行
后面。
这种产生有效提示的过程叫「prompt engineering」，显示出了仅改变提示就能使语言模型表现更佳！
实验先从最简单的提示格式开始展示，有两种不同的提示，分别用于训练和测试，展示如下：
训练提示(我们希望模型学习这个「模式」来解决「任务」)
测试提示(现在我们希望模型已经学习了「任务」，因此可以完成「模式」)
因此，在测试过程中，作者只提取模型预测的、在后的单词，并将该单词作为预测的情感标签。
现在，实验开始！
微调GPT-2和GPT-Neo
微调GPT-2和GPT-Neo
由于GPT-2和 GPT-Neo 架构几乎相同，因此大多数微调代码保持不变。因此，为了简洁起见，作者只分享了 GPT-2的代码，但也将指出适用于 GPT-Neo 模型所需的更改。接下来就从处理数据集开始，首先创建一个 Pytorch
，用它定义如何为训练准备数据。
这包括三个模块:
标记和存储的数据的地方
：返回总数据集的长度。这是每个epoch内计算步长所必需的
：获取数据，然后返回
另外，(1) 在第8行，作者定义了用于将原始数字情感标签转换为文本标签的映射，(2)在第12行，作者将数据转换为我们决定的训练提示符，(3)在第14行，作者执行tokenization(将推文分割成token+用它们唯一的 id 替换它们)。
接下来，将数据与Dataset类连接起来。代码分解如下：
第4-8行：从加载数据集开始。数据集可以下载（https://www.kaggle.com/kazanova/sentiment140）并在第4行修改本地路径。接下来，只对相关列设为子集，并且重命名。在第 8 行，作者实验采样了1万条推文。
第10-13行：将数据拆分为训练和测试，分别为95%和5%. 使用「stratify」标志，让拆分在情感类别中均匀分布。
第16行：将数据传递给「Sentiment Dataset」。可以对测试数据做同样的事情，测试时只是以原始形式返回了测试数据。
现在准备训练模型。代码分解如下：
第10-13行：加载分词器，添加一些特殊的标记，用来表示推文的不同部分，最后加载模型。
请注意，第5行已经定义了模型名称：GPT-2. 另外，添加特殊标记是为了让模型学习提示的开始和结束。这有助于稍后的测试阶段，因为我们不希望模型继续写下一个单词，但模型应该知道什么时候停止书写。要实现这一点，可以设置「eos_token」，训练模型在分类标签后进行预测。
第16行：用之前定义的函数加载和准备数据集。
第21-24行：为训练过程设置配置。简而言之，定义了模型的保存位置和时间、训练时间的长度和日志保存的位置，以及使用「batch_size」、「warmup_steps」和「weight_decay」的训练策略。
第27-31行：连接模型与训练数据集，开始训练。在「data_collator」中定义了如何处理训练数据。collator 中的前两个元素是「input_ids」——经过标记的提示和「attention_mask」——一个简单的1/0向量，表示已标记向量的提示和填充部分。
最后一部分非常有趣，将输入数据作为标签传递，而不仅仅是情感标签。这是因为我们正在训练一个语言模型，因此希望模型能够学习提示的模式，而不仅仅是情感类标签。
从某种意义上说，该模型是在学习预测输入推文的单词+提示中结构化的情感，并在此过程中学习情感检测任务。
训练即将开始。计算机不同，耗费的时间也不一样。
最后对测试块进行了定义，获取训练过的模型并将其应用于保留的测试数据。以下是代码分解：
第5行：在模型上开启评估模式。
第8-15行：对于每个测试数据，首先会准备提示，但一个很不同的地方就：不包括情绪标签，因为这是我们希望模型预测的内容。另外，我们希望模型能够预测情感标签「eos_token」，然后通过输出「eos_token」来中断操作。最后，标记测试提示。
第17行：接受测试提示并预测下一组单词。这个函数中有很多参数，定义了如何预测下一个词。
第20-30行：从解码预测文本开始，即，将预测的标记id重新转换为文本。然后我们提取预测的情感标签并将所有相关信息存储到列表中。
第33-37行：首先将所有提取的信息合并到pandas dataframe中，提高可读性，然后使用sklearn包中的「f1_score」函数来计算完整模型的性能。
在运行GPT-2代码，并在数据集拆分代码中执行三次不同的「random_state」操作时，我们观察到该模型实际上能够像预期那样进行完美预测。它能够预测标签，然后使用「eos_token」中断执行。
f1宏评分为81.7%. 这与实验预料中的专用情感检测模型执行的效果进行了比较，这进一步强调了在NLP中，使用文本生成模型进行迁移学习非常容易。
GPT-Neo兼容代码
为了让GPT-2代码适用于GPT-Neo，必须做出以下修改：
导入「GPTneoForCausalLM」 将「model_name」设置为「EleutherAI/gpt-neo-2.7B」（从任何可用大小的模型中选择） 加载模型时使用 「GPTNeoForCausalLM」代替「GPT2LMHeadModel」。
微调T5
微调T5
研究结果
研究结果
参考资料：
GPT资源：http://mohitmayank.com/a_lazy_data_science_guide/natural_language_processing/GPTs.html#finetuning-gpt-2-for-sentiment-classification
T5资源：http://mohitmayank.com/a_lazy_data_science_guide/natural_language_processing/T5.html#t5-finetuning
