nlp - BERT 微调的优化器和调度器

Question

我正在尝试使用 BERT 微调模型(使用 transformers 库)，但我对优化器和调度器有点不确定。

首先，我明白我应该使用 transformers.AdamW而不是 Pytorch 的版本。此外，我们应该使用论文中建议的预热调度程序，因此调度程序是使用 get_linear_scheduler_with_warmup 创建的。函数来自 transformers包裹。

我的主要问题是:

get_linear_scheduler_with_warmup应该在热身时调用。可以在 10 个 epoch 中使用 2 进行热身吗？

我应该什么时候调用scheduler.step() ?如果我在 train 之后做，第一个 epoch 的学习率为零。我应该为每批调用它吗？

我做错了什么吗？

from transformers import AdamW
from transformers.optimization import get_linear_scheduler_with_warmup

N_EPOCHS = 10

model = BertGRUModel(finetune_bert=True,...)
num_training_steps = N_EPOCHS+1
num_warmup_steps = 2
warmup_proportion = float(num_warmup_steps) / float(num_training_steps)  # 0.1

optimizer = AdamW(model.parameters())
criterion = nn.BCEWithLogitsLoss(pos_weight=torch.Tensor([class_weights[1]]))


scheduler = get_linear_schedule_with_warmup(
    optimizer, num_warmup_steps=num_warmup_steps, 
    num_training_steps=num_training_steps
)

for epoch in range(N_EPOCHS):
    scheduler.step() #If I do after train, LR = 0 for the first epoch
    print(optimizer.param_groups[0]["lr"])

    train(...) # here we call optimizer.step()
    evaluate(...)

我的模型和训练例程(与 this notebook 非常相似)

class BERTGRUSentiment(nn.Module):
    def __init__(self,
                 bert,
                 hidden_dim,
                 output_dim,
                 n_layers=1, 
                 bidirectional=False,
                 finetune_bert=False,
                 dropout=0.2):

        super().__init__()

        self.bert = bert

        embedding_dim = bert.config.to_dict()['hidden_size']

        self.finetune_bert = finetune_bert

        self.rnn = nn.GRU(embedding_dim,
                          hidden_dim,
                          num_layers = n_layers,
                          bidirectional = bidirectional,
                          batch_first = True,
                          dropout = 0 if n_layers < 2 else dropout)

        self.out = nn.Linear(hidden_dim * 2 if bidirectional else hidden_dim, output_dim)        
        self.dropout = nn.Dropout(dropout)

    def forward(self, text):    
        #text = [batch size, sent len]

        if not self.finetune_bert:
            with torch.no_grad():
                embedded = self.bert(text)[0]
        else:
            embedded = self.bert(text)[0]
        #embedded = [batch size, sent len, emb dim]
        _, hidden = self.rnn(embedded)

        #hidden = [n layers * n directions, batch size, emb dim]

        if self.rnn.bidirectional:
            hidden = self.dropout(torch.cat((hidden[-2,:,:], hidden[-1,:,:]), dim = 1))
        else:
            hidden = self.dropout(hidden[-1,:,:])

        #hidden = [batch size, hid dim]

        output = self.out(hidden)

        #output = [batch size, out dim]

        return output


import torch
from sklearn.metrics import accuracy_score, f1_score


def train(model, iterator, optimizer, criterion, max_grad_norm=None):
    """
    Trains the model for one full epoch
    """
    epoch_loss = 0
    epoch_acc = 0

    model.train()

    for i, batch in enumerate(iterator):
        optimizer.zero_grad()
        text, lens = batch.text

        predictions = model(text)

        target = batch.target

        loss = criterion(predictions.squeeze(1), target)

        prob_predictions = torch.sigmoid(predictions)

        preds = torch.round(prob_predictions).detach().cpu()
        acc = accuracy_score(preds, target.cpu())

        loss.backward()
        # Gradient clipping
        if max_grad_norm:
            torch.nn.utils.clip_grad_norm_(model.parameters(), max_grad_norm)

        optimizer.step()

        epoch_loss += loss.item()
        epoch_acc += acc.item()

    return epoch_loss / len(iterator), epoch_acc / len(iterator)

Answer 1

Here您可以使用 get_linear_scheduler_with_warmup 看到学习率变化的可视化。 .

引用 this评论:预热步骤是一个用于降低学习率的参数，以减少模型偏离学习对突然的新数据集暴露的影响。

默认情况下，预热步骤数为 0。

然后你迈出更大的步伐，因为你可能不在最小值附近。但是当你接近最小值时，你会采取更小的步骤来收敛到它。

另请注意，训练步数为 number of batches * number of epochs ，但不仅仅是number of epochs .所以，基本上num_training_steps = N_EPOCHS+1不正确，除非您的 batch_size等于训练集的大小。

您调用scheduler.step()每批，就在 optimizer.step() 之后, 更新学习率。