Upload finetuning_multilingual_02_adafactor.py

finetuning_multilingual_02_adafactor.py

@@ -0,0 +1,295 @@
+# multilingual-sentimentsデータでfinetuning
+
+# %%
+import torch
+# GPUが使用可能か判断
+if torch.cuda.is_available():
+    print('gpu is available')
+else:
+    raise Exception('gpu is NOT available')
+
+device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
+device
+
+# %%
+from datasets import load_dataset, DatasetDict
+from transformers import AutoTokenizer
+from transformers import AutoModelForSequenceClassification
+from transformers import TrainingArguments
+from transformers import Trainer
+from sklearn.metrics import accuracy_score, f1_score
+import numpy as np
+import pandas as pd
+import torch
+import random
+
+# %%
+from transformers.trainer_utils import set_seed
+
+# 乱数シードを42に固定
+set_seed(42)
+
+# %% [markdown]
+# ## データ取得
+
+# %%
+from pprint import pprint
+from datasets import load_dataset
+
+# Hugging Face Hub上のllm-book/wrime-sentimentのリポジトリから
+# データを読み込む
+train_dataset = load_dataset("tyqiangz/multilingual-sentiments", "japanese", split="train")
+valid_dataset = load_dataset("tyqiangz/multilingual-sentiments", "japanese", split="validation")
+# pprintで見やすく表示する
+pprint(train_dataset)
+pprint(valid_dataset)
+
+# # 実験のためデータセットを縮小したい場合はコチラを有効化
+# train_dataset = train_dataset.select(
+#     random.sample(range(train_dataset.num_rows), k=500))
+# valid_dataset = valid_dataset.select(
+#     random.sample(range(valid_dataset.num_rows), k=500))
+# pprint(train_dataset)
+# pprint(valid_dataset)
+
+## データ前処理
+
+# %%
+# トークナイザのロード
+model_name = "cl-tohoku/bert-base-japanese-whole-word-masking"
+tokenizer = AutoTokenizer.from_pretrained(model_name)
+
+# %%
+# トークナイザ実行用関数
+def preprocess_text(batch):
+    encoded_batch = tokenizer(batch['text'], max_length=512)
+    encoded_batch['labels'] = batch['label']
+    return encoded_batch
+
+# %%
+# トークナイズ＋エンコード処理実行
+encoded_train_dataset = train_dataset.map(
+    preprocess_text,
+    remove_columns=train_dataset.column_names,
+)
+encoded_valid_dataset = valid_dataset.map(
+    preprocess_text,
+    remove_columns=valid_dataset.column_names,
+)
+
+# %%
+# ミニバッチ構築
+from transformers import DataCollatorWithPadding
+
+data_collator = DataCollatorWithPadding(tokenizer=tokenizer)
+
+## 最適化するハイパーパラメータの設定
+
+# %%
+# オプティマイザ
+OPTIMIZER_NAME = "adafactor"
+
+# 最適化するハイパーパラメータ
+def optuna_hp_space(trial):
+    return {
+        "lr_scheduler_type": trial.suggest_categorical("lr_scheduler_type", ["constant", "linear", "cosine"]),
+        "learning_rate": trial.suggest_float("learning_rate", 1e-6, 1e-4, log=True),
+        # "per_device_train_batch_size": trial.suggest_categorical("per_device_train_batch_size", [16]),
+        "gradient_accumulation_steps": trial.suggest_categorical("gradient_accumulation_steps", [1, 2, 4, 8, 16]),
+        "weight_decay": trial.suggest_float("weight_decay", 1e-6, 1e-1, log=True),
+    }
+
+# %%
+# モデルの準備
+from transformers import AutoModelForSequenceClassification
+
+def model_init(trial):
+    class_label = train_dataset.features["label"]
+    label2id = {label: id for id, label in enumerate(class_label.names)}
+    id2label = {id: label for id, label in enumerate(class_label.names)}
+    model = AutoModelForSequenceClassification.from_pretrained(
+        model_name,
+        num_labels=class_label.num_classes,
+        label2id=label2id,  # ラベル名からIDへの対応を指定
+        id2label=id2label,  # IDからラベル名への対応を指定
+    )
+    return model
+
+# %%
+# 訓練の実行
+from transformers import TrainingArguments
+
+training_args = TrainingArguments(
+    optim=OPTIMIZER_NAME,  # オプティマイザの種類(adamw_torch/adafactor)
+    output_dir="output_multilingual",  # 結果の保存フォルダ
+    per_device_train_batch_size=16,  # 訓練時のバッチサイズ
+    # gradient_accumulation_steps=1, # 勾配累積
+    # per_device_eval_batch_size=32,  # 評価時のバッチサイズ
+    # learning_rate=2e-5,  # 学習率
+    # lr_scheduler_type="constant",  # 学習率スケジューラの種類
+    warmup_ratio=0.1,  # 学習率のウォームアップの長さを指定
+    num_train_epochs=3,  # エポック数
+    save_strategy="epoch",  # チェックポイントの保存タイミング
+    logging_strategy="epoch",  # ロギングのタイミング
+    evaluation_strategy="epoch",  # 検証セットによる評価のタイミング
+    load_best_model_at_end=True,  # 訓練後に開発セットで最良のモデルをロード
+    metric_for_best_model="accuracy",  # 最良のモデルを決定する評価指標
+    fp16=True,  # 自動混合精度演算の有効化
+)
+
+# %%
+# メトリクスの定義
+def compute_metrics(pred):
+    labels = pred.label_ids
+    preds = pred.predictions.argmax(-1)
+    f1 = f1_score(labels, preds, average="weighted")
+    acc = accuracy_score(labels, preds)
+    return {"accuracy": acc, "f1": f1}
+
+# %% [markdown]
+# ## ハイパーパラメータ探索
+
+# %%
+from transformers import Trainer
+
+trainer = Trainer(
+    model=None,
+    train_dataset=encoded_train_dataset,
+    eval_dataset=encoded_valid_dataset,
+    data_collator=data_collator,
+    args=training_args,
+    compute_metrics=compute_metrics,
+    model_init=model_init,
+)
+
+# %%
+def compute_objective(metrics):
+    return metrics["eval_f1"]
+
+# %%
+# ハイパーパラメータ探索
+best_trial = trainer.hyperparameter_search(
+    direction="maximize",
+    backend="optuna",
+    hp_space=optuna_hp_space,
+    n_trials=50,
+    compute_objective=compute_objective,
+)
+
+# %%
+# ベスト-ハイパーパラメータ
+print('optimizer:',OPTIMIZER_NAME)
+print('best param:',best_trial)
+
+## 最適化されたハイパーパラメータでFineTuning
+
+# %%
+# モデルの準備
+from transformers import AutoModelForSequenceClassification
+
+class_label = train_dataset.features["label"]
+label2id = {label: id for id, label in enumerate(class_label.names)}
+id2label = {id: label for id, label in enumerate(class_label.names)}
+model = AutoModelForSequenceClassification.from_pretrained(
+    model_name,
+    num_labels=class_label.num_classes,
+    label2id=label2id,  # ラベル名からIDへの対応を指定
+    id2label=id2label,  # IDからラベル名への対応を指定
+)
+print(type(model).__name__)
+
+# %%
+# 訓練用の設定
+from transformers import TrainingArguments
+
+# ベストパラメータ
+best_lr_type = best_trial.hyperparameters['lr_scheduler_type']
+best_lr = best_trial.hyperparameters['learning_rate']
+best_grad_acc_steps = best_trial.hyperparameters['gradient_accumulation_steps']
+best_weight_decay = best_trial.hyperparameters['weight_decay']
+# 保存ディレクトリ
+save_dir = f'bert-finetuned-multilingual-sentiments-{OPTIMIZER_NAME}'
+
+training_args = TrainingArguments(
+    output_dir=save_dir,  # 結果の保存フォルダ
+    optim=OPTIMIZER_NAME,  # オプティマイザの種類
+    per_device_train_batch_size=16,  # 訓練時のバッチサイズ
+    per_device_eval_batch_size=16,  # 評価時のバッチサイズ
+    gradient_accumulation_steps=best_grad_acc_steps,  # 勾配累積
+    learning_rate=best_lr,  # 学習率
+    lr_scheduler_type=best_lr_type,  # 学習率スケジューラの種類
+    weight_decay=best_weight_decay,  # 正則化
+    warmup_ratio=0.1,  # 学習率のウォームアップの長さを指定
+    num_train_epochs=100,  # エポック数
+    save_strategy="epoch",  # チェックポイントの保存タイミング
+    logging_strategy="epoch",  # ロギングのタイミング
+    evaluation_strategy="epoch",  # 検証セットによる評価のタイミング
+    load_best_model_at_end=True,  # 訓練後に開発セットで最良のモデルをロード
+    metric_for_best_model="accuracy",  # 最良のモデルを決定する評価指標
+    fp16=True,  # 自動混合精度演算の有効化
+)
+
+# %%
+# 訓練の実施
+from transformers import Trainer
+from transformers import EarlyStoppingCallback
+
+trainer = Trainer(
+    model=model,
+    train_dataset=encoded_train_dataset,
+    eval_dataset=encoded_valid_dataset,
+    data_collator=data_collator,
+    args=training_args,
+    compute_metrics=compute_metrics,
+    callbacks=[EarlyStoppingCallback(early_stopping_patience=3)],
+)
+trainer.train()
+
+# %%
+# モデルの保存
+trainer.save_model(save_dir)
+tokenizer.save_pretrained(save_dir)
+
+# %%
+# 結果描画用関数
+import matplotlib.pyplot as plt
+from sklearn.linear_model import LinearRegression
+
+def show_graph(df, suptitle, output='output.png'):
+    suptitle_size = 23
+    graph_title_size = 20
+    legend_size = 18
+    ticks_size = 13
+    # 学習曲線
+    fig = plt.figure(figsize=(20, 5))
+    plt.suptitle(suptitle, fontsize=suptitle_size)
+    # Train Loss
+    plt.subplot(131)
+    plt.title('Train Loss', fontsize=graph_title_size)
+    plt.plot(df['loss'].dropna(), label='train')
+    plt.legend(fontsize=legend_size)
+    plt.yticks(fontsize=ticks_size)
+    # Validation Loss
+    plt.subplot(132)
+    plt.title(f'Val Loss', fontsize=graph_title_size)
+    y = df['eval_loss'].dropna().values
+    x = np.arange(len(y)).reshape(-1, 1)
+    plt.plot(y, color='tab:orange', label='val')
+    plt.legend(fontsize=legend_size)
+    plt.yticks(fontsize=ticks_size)
+    # Accuracy/F1
+    plt.subplot(133)
+    plt.title('eval Accuracy/F1', fontsize=graph_title_size)
+    plt.plot(df['eval_accuracy'].dropna(), label='accuracy')
+    plt.plot(df['eval_f1'].dropna(), label='F1')
+    plt.legend(fontsize=legend_size)
+    plt.yticks(fontsize=ticks_size)
+    plt.tight_layout()
+    plt.savefig(output)
+
+# %%
+history_df = pd.DataFrame(trainer.state.log_history)
+history_df.to_csv(f'{save_dir}/history.csv')
+# 結果を表示
+suptitle = f'batch:16, lr:{best_lr}, gradient_accumulation: {best_grad_acc_steps}, type:{best_lr_type}, weight_decay:{best_weight_decay}'
+show_graph(history_df, suptitle, f'{save_dir}/output.png')