Transformers 库的基本使用

  本内容主要介绍 Transformers 库 的基本使用。

1.1 Transformers 库简介

  Transformers 库是一个开源库，其提供的所有预训练模型都是基于 transformer 模型结构的。

1.1.1 Transformers 库

  我们可以使用 Transformers 库提供的 API 轻松下载和训练最先进的预训练模型。使用预训练模型可以降低计算成本，以及节省从头开始训练模型的时间。这些模型可用于不同模态的任务，例如：

• 文本：文本分类、信息抽取、问答系统、文本摘要、机器翻译和文本生成。
• 图像：图像分类、目标检测和图像分割。
• 音频：语音识别和音频分类。
• 多模态：表格问答系统、OCR、扫描文档信息抽取、视频分类和视觉问答。

  Transformers 库支持三个最流行的深度学习库（PyTorch、TensorFlow 和 JAX）。

  相关资源对应网址如下：

1.1.2 Transformers 库支持的模型和框架

  以下表格展示了当前 Transformers 库对各模型的支持情况：

注意：Tokenizer slow：使用 Python 实现 tokenization 过程。Tokenizer fast：基于 Rust 库 Tokenizers 进行实现。

1.2 Pipeline

  pipeline() 的作用是使用预训练模型进行推断，它支持从 这里 下载的所有模型。

1.2.1 Pipeline 支持的任务类型

  pipeline() 支持许多常见任务：

• 文本
  • 情感分析（Sentiment analysis）
  • 文本生成（Text generation）
  • 命名实体识别（Name entity recognition，NER）：
  • 问答系统（Question answering）
  • 掩码恢复（Fill-mask）
  • 文本摘要（Summarization）
  • 机器翻译（Translation）
  • 特征提取（Feature extraction）
• 图像
  • 图像分类（Image classification）
  • 图像分割（Image segmentation）
  • 目标检测（Object detection）
• 音频
  • 音频分类（Audio classification）
  • 自动语音识别（Automatic speech recognition，ASR）

注意：可以在 Transformers 库的源码（查看 Transformers/pipelines/__init__.py 中的 SUPPORTED_TASKS 定义）中查看其支持的任务，不同版本支持的类型会存在差异。

1.2.2 Pipeline 使用

（1）简单使用

  例如，当前我们需要进行一个情感分析的推断任务。我们可以直接使用如下代码：

from transformers import pipelineclassifier = pipeline("sentiment-analysis")result = classifier("We are very happy to show you theTransformers library.")print(result)

将输出以下结果：

[{'label': 'POSITIVE', 'score': 0.9997795224189758}]

  上面代码中的 pipeline("sentiment-analysis") 将下载并缓存一个默认的情感分析的预训练模型和加载对应的 tokenizer。针对不同类型的任务，对应的参数名称可查看 pipeline 的参数 task 的说明（这里）；不同类型的任务所下载的默认预训练模型可以在 Transformers 库的源码（查看 Transformers/pipelines/__init__.py 中的 SUPPORTED_TASKS 定义）中查看。

  当我们需要一次推理多个句子时，可以使用 list 形式作为参数传入：

from transformers import pipelineclassifier = pipeline("sentiment-analysis")results = classifier(["We are very happy to show you theTransformers library.","We hope you don't hate it."])print(results)

将输出以下结果：

[{'label': 'POSITIVE', 'score': 0.9997795224189758}, {'label': 'NEGATIVE', 'score': 0.5308570265769958}]

（2）选择模型

  上面部分，在进行推理时，使用的是对应任务的默认模型。但是有时候我们希望使用指定的模型，可以通过指定 pipeline() 的参数 model 来实现。

  第一种方法：

from transformers import pipelineclassifier = pipeline("sentiment-analysis",model="IDEA-CCNL/Erlangshen-Roberta-110M-Sentiment")result = classifier("今天心情很好")print(result)

将输出以下结果：

[{'label': 'Positive', 'score': 0.9374911785125732}]

  第二种方法：（和上面的方法，加载的是相同的模型。不过这种方法可以使用本地模型进行推理。）

from transformers import AutoModelForSequenceClassificationfrom transformers import AutoTokenizerfrom transformers import pipelinemodel_path = r"../pretrained_model/IDEA-CCNL(Erlangshen-Roberta-110M-Sentiment)"model = AutoModelForSequenceClassification.from_pretrained(model_path)tokenizer = AutoTokenizer.from_pretrained(model_path)classifier = pipeline("sentiment-analysis", model=model, tokenizer=tokenizer)result = classifier("今天心情很好")print(result)

将输出以下结果：

[{'label': 'Positive', 'score': 0.9374911785125732}]

总结：上面部分介绍了使用 pipeline() 对文本分类任务的推断的方法。针对文本其他类型任务、图像和音频的任务，使用方法基本一致，详细可参照 这里。

1.3 加载模型

  下面我们将介绍加载模型的一些方法。

1.3.1 随机初始化模型权值

  有时候，需要随机初始化模型权值（比如使用自己的数据进行预训练）。首先我们需要初始化一个 config 对象，然后将这个 config 对象作为参数传给模型：

from transformers import BertConfigfrom transformers import BertModelconfig = BertConfig()model = BertModel(config)

  上面的 config 使用的是默认值，不过根据需要，我们可以修改对应的参数。当然，我们也可以使用 AutoConfig.from_pretrained() 加载其他模型的 config：

from transformers import AutoConfigfrom transformers import AutoModelmodel_path = r"../pretrained_model/IDEA-CCNL(Erlangshen-Roberta-110M-Sentiment)"config = AutoConfig.from_pretrained(model_path)model = AutoModel.from_config(config)

1.3.2 使用预训练权值初始化模型权值

  有时候，需要从预训练模型中加载权值。一般使用 AutoModelForXXX.from_pretrained() 加载对应任务的预训练模型，这里之所以使用 XXX，是因为不同类型的任务所使用的类是不一样的。例如，我们需要加载一个文本序列分类模型，需要使用 AutoModelForSequenceClassification。

from transformers import AutoModelForSequenceClassificationmodel = AutoModelForSequenceClassification.from_pretrained("IDEA-CCNL/Erlangshen-Roberta-110M-Sentiment")

  AutoModelForSequenceClassification.from_pretrained() 的第一个参数 pretrained_model_name_or_path 可以是一个字符串，也可以是一个文件夹路径。

from transformers import AutoModelForSequenceClassificationmodel_path = r"../pretrained_model/IDEA-CCNL(Erlangshen-Roberta-110M-Sentiment)"model = AutoModelForSequenceClassification.from_pretrained(model_path)

  我们也可以使用具体的模型类，比如下面的 BertForSequenceClassification：

from transformers import BertForSequenceClassificationmodel_path = r"../pretrained_model/IDEA-CCNL(Erlangshen-Roberta-110M-Sentiment)"model = BertForSequenceClassification.from_pretrained(model_path)

注意：上面的模型类型都是针对 PyTorch 模型的。如果我们使用 TensorFlow 模型，其类名需要在 PyTorch 模型类名的前面加上 TF。比如 BertForSequenceClassification 对应的 TF 模型类名是 TFBertForSequenceClassification

总结：官方推荐使用 AutoModelForXXX 和 TFAutoModelXXX 加载预训练模型。官方认为这样将确保每次都能加载正确的框架。

1.4 预处理

  因为模型本身是无法理解原始文本、图像或者音频的。所以需要先将数据转换成模型可以接受的形式，然后再传入模型中。

1.4.1 NLP：AutoTokenizer

  处理文本数据的主要工具为 tokenizer。首先，tokenizer 会根据一组规则将文本拆分为 token。然后，将这些 token 转换为数值（根据词表，即 vocab），这些数值会被构建成张量并作为模型的输入。模型所需要的其他输入也是由 tokenizer 添加。

当我们使用预训练模型时，一定要使用对应的预训练 tokenizer。只有这样，才能确保文本以预训练语料库相同的方式进行分割，并使用相同的对应 token 索引（即 vocab）。

（1）Tokenize

  使用 AutoTokenizer.from_pretrained() 加载一个预训练 tokenizer，并将文本传入 tokenizer：

from transformers import AutoTokenizermodel_path = r"../pretrained_model/IDEA-CCNL(Erlangshen-Roberta-110M-Sentiment)"tokenizer = AutoTokenizer.from_pretrained(model_path)encoded_input = tokenizer("今天心情很好")print(encoded_input)

将输出以下结果：

{'input_ids': [101, 791, 1921, 1921, 3698, 4696, 1962, 102], 'token_type_ids': [0, 0, 0, 0, 0, 0, 0, 0], 'attention_mask': [1, 1, 1, 1, 1, 1, 1, 1]}

  可以看到上面的输出包含三个部分：

• input_ids：对应于句子中每个 token 的索引。
• token_type_ids：当存在多个序列时，标识 token 属于那个序列。
• attention_mask：表明对应的 token 是否需要被注意（1 表示需要被注意，0 表示不需要被注意。涉及到注意力机制）。

  我们还可以使用 tokenizer 将 input_ids 解码为原始输入：

decoded_input = tokenizer.decode(encoded_input["input_ids"])print(decoded_input)

将输出以下结果：

[CLS] 今 天 天 气 真 好 [SEP]

  我们可以看到上面的输出，相比原始文本多了 [CLS] 和 [SEP]，它们是在 BERT 等模型中添加一些特殊 token。

  如果需要同时处理多个句子，可以将多个文本以 list 的形式输入到 tokenizer 中。

（2）填充（Pad）

  当我们处理一批句子时，它们的长度并不总是相同的。但是模型的输入需要具有统一的形状（shape）。填充是实现此需求的一种策略，即为 token 较少的句子添加特殊的填充 token。

  给 tokenizer() 传入参数 padding=True：

batch_sentences = ["今天天气真好", "今天天气真好，适合出游"]encoded_inputs = tokenizer(batch_sentences, padding=True)print(encoded_inputs)

将输出以下结果：

{'input_ids': [[101, 791, 1921, 1921, 3698, 4696, 1962, 102, 0, 0, 0, 0, 0],[101, 791, 1921, 1921, 3698, 4696, 1962, 8024, 6844, 1394, 1139, 3952, 102]], 'token_type_ids': [[0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0],[0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0]],'attention_mask': [[1, 1, 1, 1, 1, 1, 1, 1, 0, 0, 0, 0, 0],[1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1]]}

  可以看到 tokenizer 使用 0 对第一个句子进行了一些填充。

（3）截断（Truncation）

  当句子太短时，可以采用填充的策略。但有时候，句子可能太长，模型无法处理。在这种情况下，可以将句子进行截断。

  给 tokenizer() 传入参数 truncation=True 即可实现。

  如果想了解 tokenizer() 中更多关于参数 padding 和 truncation 的信息，可以参照 这里

（4）构建张量（Build tensors）

  最终，如果我们想要 tokenizer 返回传入模型中的实际张量。需要设置参数 return_tensors。如果是传入 PyTorch 模型，将其设置为 pt；如果是传入 TensorFlow 模型，将其设置为 tf。

batch_sentences = ["今天天气真好", "今天天气真好，适合出游"]encoded_inputs = tokenizer(batch_sentences, padding=True, truncation=True, return_tensors="pt")print(encoded_inputs)

将输出以下结果：

{'input_ids': tensor([[ 101,791, 1921, 1921, 3698, 4696, 1962,102,0,0,0,0,0],[ 101,791, 1921, 1921, 3698, 4696, 1962, 8024, 6844, 1394, 1139, 3952,102]]),'token_type_ids': tensor([[0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0],[0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0]]), 'attention_mask': tensor([[1, 1, 1, 1, 1, 1, 1, 1, 0, 0, 0, 0, 0],[1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1]])}

1.4.2 其他

  针对音频数据，预处理主要包括重采样（Resample）、特征提取（Feature Extractor）、填充（pad）和截断（Truncate），详细信息请参照 这里。针对图像数据，预处理主要包括特征提取（Feature Extractor）和数据增强，详细信息请参照 这里。针对多模态数据，不同类型的数据使用前面介绍的对应预处理方法详细信息请参照 这里。虽然每种数据的预处理方法不完全一样，但是最终的目的都是一致的：将原始数据转换为模型可以接受的形式。

1.5 微调预训练模型

  下面将以一个文本多分类的例子，简单介绍如何使用我们自己的数据训练一个分类模型。

1.5.1 准备数据

  在微调预训练模型之前，我们需要先准备数据。我们可以使用 Datasets 库的 load_dataset 加载数据集：

from datasets import load_dataset# 第 1 步：准备数据# 从文件中获取原始数据datasets = load_dataset(f'./my_dataset.py')# 输出训练集中的第一条数据print(datasets["train"][0])

  在这里需要注意一下，因为我们是使用自己的数据进行模型训练，所以上面 load_dataset 传入的参数是一个 py 文件的路径。这个 py 文件按照 Datasets 库的规则读取文件并返回训练数据，如果想了解更多信息，可以参照 这里。

  如果我们只是想简单学习 Transformers 库的使用，可以使用 Datasets 这个库预置的一些数据集，这个时候 load_dataset 传入的参数是一些字符串（比如，load_dataset("imdb")），然后会自动下载对应数据集。

1.5.2 预处理

  在将数据喂给模型之前，需要将数据进行预处理（Tokenize、填充、截断等）。

from transformers import AutoTokenizer# 第 2 步：预处理数据# 2.1 加载 tokenizertokenizer = AutoTokenizer.from_pretrained(configure["model_path"])def tokenize_function(examples):return tokenizer(examples["text"], padding="max_length", truncation=True)# 2.2 得到经过 tokenization 后的数据tokenized_datasets = datasets.map(tokenize_function, batched=True)print(tokenized_datasets["train"][0])

  首先，加载 tokenizer；然后，使用 datasets.map() 生成经过预处理后的数据。因为数据经过 tokenizer() 处理后的不再是 dataset 格式，所以需要使用 datasets.map() 进行处理。

1.5.3 加载模型

  在前面的部分，已经介绍过模型加载的方法，可以使用 AutoModelXXX.from_pretrained 加载模型：

from transformers import AutoModelForSequenceClassification# 第 3 步：加载模型classification_model = AutoModelForSequenceClassification.from_pretrained(configure["model_path"], num_labels=get_num_labels())

  与前面部分不同的地方在于：上面的代码中有一个 num_labels 参数，需要给这个参数传入我们的数据集中的类别数量。

1.5.4 设定度量指标

  在模型训练过程中，我们希望能够输出模型的性能指标（比如准确率、精确率、召回率、F1 值等）以便了解模型的训练情况。我们可以通过 Datasets 库提供的 load_metric() 来实现。下面的代码中实现了准确率计算：

import numpy as npfrom datasets import load_metric# 第 4 步：设定度量指标metric = load_metric("./accuracy.py")def compute_metrics(eval_pred):logits, labels = eval_predpredictions = np.argmax(logits, axis=-1)return metric.compute(predictions=predictions, references=labels)

  如果想了解更多信息，可以参照 这里。

1.5.5 设置训练超参数

  在进行模型训练时，还需要设置一些超参数，Transformers 库提供了 TrainingArguments 类。

from transformers import TrainingArguments# 第 5 步：设置训练超参数training_args = TrainingArguments(output_dir=configure["output_dir"],evaluation_strategy="epoch")

  在上面的代码中，我们设置了两个参数：output_dir 指定保存模型的输出路径；evaluation_strategy 决定什么时候对模型进行评估，设置的参数 epoch 表明每训练完一个 epoch 后进行一次评估，评估内容即上一步设定的度量指标。

  如果想了解更多参数的设置和具体含义，可以参照 这里。

1.5.6 训练和保存模型

  经过前面一系列的步骤后，我们终于可以开始进行模型训练了。Transformers 库提供了 Trainer 类，可以很简单方便地进行模型训练。首先，创建一个 Trainer，然后调用 train() 函数，就开始进行模型训练了。当模型训练完毕后，调用 save_model() 保存模型。

# 第 6 步：开始训练模型trainer = Trainer(model=classification_model,args=training_args,train_dataset=tokenized_datasets["train"],eval_dataset=tokenized_datasets["validation"],tokenizer=tokenizer,compute_metrics=compute_metrics)trainer.train()# 保存模型trainer.save_model()

  有时候，我们需要调试模型，就需要自己编写模型训练循环，详细方法，可以参照 这里。

1.5.7 总结

  经过前面的介绍，现在我们就可以开始动手训练我们自己的文本多分类模型了。

  不过，前面是以一个文本多分类的例子介绍了如何使用 Transformers 库微调预训练模型。针对其他类型的任务，相比文本分类任务会存在一些差异，具体指导，可以参照以下链接：

参考：

[1] Github 地址

[2] 官方开发文档

[3] transformers 教程

[4] https://github.com/nlp-with-transformers/notebooks

[5] https://github.com/datawhalechina/learn-nlp-with-transformers