로딩...
FE
a14ec6a
저널about-me
huggingface nlp


nlp


wip


    

  • encoder -> 분석
      

    • BERT(Bidirectional Encoder Representations from Transformers)
      • 

    

    • 

  • decoder -> 생성
    • 

  • encoder, decoder 모델 -> 요약
    • 

  • 



transformers


    

  • 흐름
      

    • input -> tokenizer -> {input_ids, attension_mark}
      • 

    • {input_ids, attension_mark} -> model -> {hidden_state}
      • 

    • {hidden_state} -> head -> logits(tensor, 정규화되지 않은 점수)
      • 

    • logits -> softmax or 기타 활성함수 -> 확률
      • 

    

    • 



model


AutoTokenizer


input_ids 를 생성한다
    

  • return_tensors 를 지정하지 않으면 리스트로 모두 리턴된다
    • 



AutoModel


    

  • feature == hidden state
      

    • 768 ~ 3072 혹은 그 이상의 고차원
      • 

    

    • 

  • input -> feature -> head(모델의 다른 부분)
    • 

  • { input_ids } 만이 model 의 필수 input
    • 

  • AutoModel 을 사용하면 BertModel 등의 상위 버전으로 checkpoint 로 부터 모델을 알아서 불러온다
    • 

  • method
      

    • from_pretrained
      • 

    • save_pretrained
      • 

    

    • 



tokenizer


    

  • 알고리즘
      

    • word base
        

      • 단어 또는 구분자로 잘라서 토큰화
        • 

      • 단어사전수가 커짐
        • 

      

      • 

    • character base
        

      • word baes 토크나이저에서 UNKnown 토큰을 줄이는 것이 목표
        • 

      • 문자의 구성요소인만큼 UNK 토큰을 줄일 수 있다
        • 

      • 단어 사전이 작다 -> 토큰은 많아짐
        • 

      • 그러나 토큰당 가지는 의미가 적다. -> 중국어같은 문자는 조금 다름
        • 

      

      • 

    • subword base
        

      • 위 두 알고리즘의 장점 조합
        • 

      • 뭉치이지만 자주쓰이고 독립적인 것들은 토큰으로 유지
          

        • tokenization -> token + ization
          • 

        

        • 

      

      • 

    

    • 

  • AutoTokenizer 를 사용하면 BertTokenizer 등의 상위 버전으로 checkpoint 로 부터 모델을 알아서 불러온다
    • 

  • method
      

    • from_pretrained
      • 

    • save_pretrained
      • 

    

    • 



fine-tunning a pre-trained model


Processing the data


    

  • token_type_ids 한 로우의 데이터 셋에 여러 문장이 포함된 경우를 구분한다
      

    • bert-base-uncased checkpoint 에서의 토크나이저는 제공되나 다른 checkpoint 에서는 해당 checkpoint 의 니즈에 따른다 
      • 

    • 모델과 토크나이저는 동일 체크포인트를 사용하므로 해당 속성의 존재여부에 관심가질 필요는 없다
      • 

    

    • 

  • tokenizer 는 rust로 작성되어 [dataset].map(tokenizer_function, batched=True) 를 주면 병렬로 빠르게 처리가 가능하다, num_proc - 프로세서 수 조절도 가능한 것 같다
    • 

  • dataset 은 apach arrow 를 사용하여 기본적으로 디스크를 사용하고 토크나이저를 사용하여 올릴대만 메모리가 사용된다
    • 

  • dataset 에서 사용되는 .map 함수는 단순 맵이 아니라 기존 데이터를 두고 리턴되는 데이터가 추가되는 형태(reduce)인것으로 보인다. (테스트 결과)
    • 

  • 데이터를 동시에(.map) 토큰화를 하면 속도가 향상된다
      

    • 하지만 이 경우에 각 로우에 해당하는 시퀀스(문자열, 데이터 whatever) 가 다르므로 패딩이 필요하다
      • 

    • 패딩을 max_length(전체 시퀀스중의 최대길이) 혹은 model 이 받아들일 수 있는 최대 길이로 커팅된다
      • 

    • 여기서 불필요한 패딩이 최악의 케이스로 표준화되면서 퍼포먼스 손실이 일어난다
      • 

    • 이를 해결하기 위해서 dynamic padding 이 사용된다
      • 

    • dynamic padding(동적 패딩) 은 배치로 토크나이징을 할때 배치사이즈의 맥스로 통일시킨다
      • 

    • 전체 데이터셋의 부분집합인 배치별로 패딩길이가 최적화되어 큰폭의 성능 개선이 가능하다
      from transformers import datacollatorwithpadding

data_collator = datacollatorwithpadding(tokenizer=tokenizer)

      • 

    • cpu 와 gpu 에서 성능향상이 있으므로 거의 필수적으로 적용되지만 google tpu 에서는 고정 텐서 shape를 요구하므로 구글 코렙등의 환경에서는 사용이 불가능하다
      • 

    

    • 

  • 요약
      

    • "glue" dataset 의 8/10 다중 문자열을 가지고 학습되었으며 그 간의 관계를 갖는 데이터셋이다
      • 

    • 이를 학습한 모델의 경우 토크나이저는 token_type_ids 를 함께 리턴하여 문자열이 여러개임을 구분한다
      • 

    • 토큰화는 배치를 사용해서 가속화 할 수 있다.
      • 

    • 토큰화는 동적 패딩을 사용해서 가속화 할 수 있다.
      • 

    

    • 



Fine-tuning a model with the Trainer API or Keras


a full training


    

  • accelerator
      

    • gpu 분산환경에서 작업하기 위해 필요
      • 

    • accelerator 를 통해 래핑된 오프젝트로 작업
      • 

    • python 명령어대신 accelerator 를 통해 작업한다
      • 

    

    • 



Fine-tuning, Check!


    

  • 파트 정리
    • 

  • Auto{Tokenizer,Model}.from_pretrained([checkpoint]) 를 통해 시작
      

    • Auto* 를 사용하는 경우 huggingface hub 로 부터 해당 model card 를 읽어들여서 설정을 처리한다
      • 

    

    • 

  • 그리고 데이터 셋을 불러와서(from datasets) 이를 기반으로 Trainer 를 생성하고 학습시킨다
      

    • TrainerArguments 는 Trainer 를 위해 trainer, evaluation 을 위한  hyperparameters 를 제공한다
      • 

    

    • 

  • dataset 은 apache arrow 로 작성되었으며 작업시에만 메모리를 사용한다
      

    • map 메소드
        

      • 동시 배치 처리가 가능하다
        • 

      • 작업은 캐싱된다
        • 

      

      • 

    

    • 

  • 학습 속도 향상을 위해서 동적 패딩이 사용되며, 이는 batch 안에서의 max_length 를 활용하는 방식이다
      

    • tpu 는 동적 패딩을지원하지 않는다.
      • 

    

    • 

  • 학습시키면서 평가나 프로그래스를 볼 수있도록 설정이 가능하다 (evaluator)
    • 

  • accelerator 를 사용하면 multiple gpu 를 활용한 학습이 가능하다
    • 

  • AutoModelForSequenceClassification 와 같은 모델을 생성하면서 bert-base-uncased 와 같은 checkpoint 를 from_pretrained 로 불러들이면
      

    • 워닝이 발생한다
      • 

    • pre-trained 모델에서 sequence classification 을 위한 헤드는 버려진다
      • 

    • 새로운 헤드가 장착되므로 여기에 학습을 시키면 된다
      • 

    

    • 



4. SHARING MODELS AND TOKENIZERS


The Hugging Face hub


Using pretrained models


    

  • pipeline 함수를 사용할때는 task, checkpoint 짝이 맞아야한다
      

    • 아닌경우 head가 task에 맞지않음으로 정상동작하지 않는다
      • 

    

    • 

  • pipeline 함수가 아니어도 model을 바로 생성할수 있다.
      

    • from transformers import ATokenizer, AForMaskedLM 의 형식
      • 

    • 하지만 이건 모델 종속적이므로 추천하지 않고 대신 Auto* 형태의 사용을 추천한다
        

      • from transformers import AutoTokenizer, AutoModelForMaskedLM
        • 

      

      • 

    

    • 

  • 모델 사용할대는 model card(huggingface 모델 페이지의 정보)를 확인해라
    • 



Sharing pretrained models


    

  • huggingface-cli 에 대한 내용
    • 

  • tbd
    • 



Buliding a model card


읽어보면 도움이 될만한 내용들
    

  • 모델에 대한 정보
    • 

  • 한계
    • 

  • 라이센스
    • 

  • 학습방법
    • 



Part 1 completed!


    

  • 여기까지 왔으면 text classification 에서 single, paris 문장에 대한 파인튜닝이 가능해야한다
    • 



5. THE 🤗 DATASETS LIBRARY


Introduction


    

  • 파인튜닝시 데이터셋 사용
      

    • 로드 from hugging face hub
      • 

    • Dataset.map() 통한 전처리
      • 

    • metric 계산
      • 

    

    • 



What if my dataset isn’t on the Hub?


    

  • csv(tsv 포함), text, json, jsonl, pandas(pkl) 지원
    • 

  • local / remote file 지원
    • 

  • from datasets import load_dataset
    • 

  • 다양한 방법으로 train/test 데이터 분할을 지원한다
    • 

  • 압축파일도 지원한다
    • 

  • 경로를 path 대신 url 을 주면 리포트 파일을 로딩한다
    • 



Time to slice and dice


    

  • 데이터 클린업
    • 



샘플링


    

  • Dataset, DatasetDict 의 메소드
    • 

  • Datset.shufffle().select(range(1000)) 을 통해 테스트해볼수있다.
    • 



정규화


    

  • 수상한 컬럼이지만 id 처럼 보이는 컬럼이 발견되면 .unique 메소드를 통해 id 인지 확인한다
      

    • id 가 확인되면 DatasetDict.rename_column 을 통해서 적합한 이름으로 변경
      • 

    

    • 

  • .map 을 통해 대소문자 통일
    • 

  • .filter 를 통해 None 제거
      

    •  @todo 걍 제거해버리면 되는건가;
      • 

    

    • 

  • html 코드가 포함된 데이터의 경우 html 패키지의 unescape 로 변경가능
      

    • I'm -> I'm
      • 

    

    • 



새 컬럼 생성


    

  • Dataset.map or Dataset.add_column
    • 

  • Dataset.sort 로 특정 컬럼의 값을 통해 정렬가능
    • 

  • .num_rows 를 통해 카운팅
    • 



.map


    

  • batched=True
      

    • batch 의 기본값은 1000
      • 

    • batched=True 가 설정되면 map 함수로 들어오는 딕셔너리 인자의 값들은 리스트가 된다
      • 

    • 때문에 리스트 컴프리헨션등을 사용해서 한방에 처리해야한다
      • 

    • batch 도 가속화되지만 .map 함수내에서 사용되는 함수내 리스트 컴프리헨션도 for loop 보다 속도면에서 우월하다
      • 

    • 토크나이저를 fast 버전을 사용할 수 없는경우(rust backend 사용 x) num_proc 을 조정해서 속도를 높일 수 있다.
      • 

    • 내용이 많아서 배치 최적화는 그때가서 읽어봐야할 듯 tbd
      • 

    • 파이썬 멀티프로세싱(num_proc) 을 fast tokenizer + batched=True 와 사용하지 말것을 권고
      • 

    

    • 



6. tokenizer


    

  • pipeline 함수 없이 토크나이징하는 것에 대한 설명 있음
    • 



Building a tokenizer, block by block


    

  • BIRT
      

    • pre_tokenizers 들은 compose 가능
      • 

    • pre_tokenizers.Whitespace - 공백 및 구두점
        

      • pre_tokenizers.WhitespaceSplit - 공백에서만 split
        • 

      • pre_tokenizers.Punctuation - 구두점에서만 split
        • 

      

      • 

    • trainer 사용시에는 스페셜 토큰들을 모두 제공해야한다
      • 

    • 이를 가지고 저장(json) 후 불러와서 사용하려는 경우
        

      • PreTrainedTokenizerFast 로 래핑해야하며 이때 스페셜 토큰들은 명시해야한다
          

        • wrapping 후에는 허브에 올리든 save_pretrained 를 통해서 사용가능하다
          • 

        

        • 

      

      • 

    

    • 

  • BPE(GPT-2 토크나이저)
      

    • unk_token 을 사용하지 않는다
      • 

    • GPT-2 는 normalizer 를 사용하지 않아 스킵
      • 

    • 토크나이저 생성시 models.BPE() 로 인자가 들어간다
      • 

    • 토크나이저 생성시 pre_tokenizers.ByteLevel 프리토크나이저가 사용된다
      • 

    • 스페이스는 토큰에 포함
      • 

    • 역시 huggingface transformers 에서 사용하려면 wrapping 필요
      • 

    

    • 



7. MAIN NLP TASKS


Token classification


    

  • AutoTokenizer 로 model checkpoint -> tokenizer
    • 

  • 학습시길 dataset 불러옴
    • 

  • 학습시킬 데이터를 토큰화 해보면 데이터가 가지고있는 레이블링 데이터(? NER 정보등)의 수와 맞지 않게됨(토큰수가 달라지며)
    • 

  • 이를 맞추는 작업이 proprocessing 
      

    • 토큰을 맞추기 위해 스페셜 토큰을 -100 값으로 채우고
      • 

    • 배치시에 길이를 맞추기 위해 패딩 채우는 작업
      • 

    

    • 

  • -100 은 loss 함수에서 무시하게되어 부하를 줄이는 역할도 있음
    •