AI說書 - 從0開始 - 147 | BERT 微調之訓練程式撰寫

我想要一天分享一點「LLM從底層堆疊的技術」，並且每篇文章長度控制在三分鐘以內，讓大家不會壓力太大，但是又能夠每天成長一點。

• 訓練的必要模組安裝：AI說書 - 從0開始 - 135
• 載入資料集：AI說書 - 從0開始 - 136
• 資料集窺探：AI說書 - 從0開始 - 137
• 資料前處理與 Tokenization：AI說書 - 從0開始 - 138
• 資料 Padding 與訓練/驗證集切割：AI說書 - 從0開始 - 139
• Data Loader 設定：AI說書 - 從0開始 - 140
• BERT 模型窺探：AI說書 - 從0開始 - 141
• 載入 BERT 模型：AI說書 - 從0開始 - 142
• Optimizer 的 Decay Rate 群組配置：AI說書 - 從0開始 - 143
• BERT 模型的特定「層」參數窺探方法：AI說書 - 從0開始 - 144
• Optimizer 的 Decay Rate 群組窺探：AI說書 - 從0開始 - 145
• 配置 Optimizer 與訓練成效評估函數：AI說書 - 從0開始 - 146

以下開始撰寫訓練程式：

epochs = 4
total_steps = len(train_dataloader) * epochs
scheduler = get_linear_schedule_with_warmup(optimizer, num_warmup_steps = 0, num_training_steps = total_steps)

train_loss_set = []

for _ in trange(epochs, desc = "Epoch"):
	# Set our model to training mode (as opposed to evaluation mode) 
	model.train()
	
	tr_loss = 0 
	nb_tr_examples = 0 
	nb_tr_steps = 0
	
	for step, batch in enumerate(train_dataloader):
		batch = tuple(t.to(device) for t in batch)
		b_input_ids, b_input_mask, b_labels = batch
		optimizer.zero_grad()
		
		outputs = model(b_input_ids, token_type_ids = None, attention_mask = b_input_mask, labels = b_labels)
		loss = outputs['loss']
		train_loss_set.append(loss.item())
		loss.backward()
		optimizer.step()
		scheduler.step()
		
		tr_loss += loss.item() 
		nb_tr_examples += b_input_ids.size(0) 
		nb_tr_steps += 1
	print("Train loss: {}".format(tr_loss/nb_tr_steps))
	
	model.eval()
	eval_loss, eval_accuracy = 0, 0 
	nb_eval_steps, nb_eval_examples = 0, 0
	
	for batch in validation_dataloader:
		batch = tuple(t.to(device) for t in batch)
		b_input_ids, b_input_mask, b_labels = batch
		with torch.no_grad():
			logits = model(b_input_ids, token_type_ids = None, attention_mask = b_input_mask)
		logits = logits['logits'].detach().cpu().numpy()
		label_ids = b_labels.to('cpu').numpy()
		tmp_eval_accuracy = flat_accuracy(logits, label_ids)
		eval_accuracy += tmp_eval_accuracy
		nb_eval_steps += 1
	print("Validation Accuracy: {}".format(eval_accuracy/nb_eval_steps))