1 つの GPU の Hugging Face モデルを微調整する

この記事では、1 つの GPU で Hugging Face transformers ライブラリを使用して Hugging Face モデルを微調整する方法について説明します。 また、レイクハウスからデータを読み込み、モデルを MLflow にログ記録するための Databricks 固有の推奨事項も含まれているため、Databricks でモデルを使用および管理できます。

Hugging Face transformers ライブラリには、 Transformers モデルの読み込みと微調整を可能にする Trainer ユーティリティと 自動モデル クラスが用意されています。

これらのツールは、簡単な変更で次のタスクに使用できます。

  • 微調整するためのモデルの読み込み。

  • Hugging Face トランスフォーマートレーナーユーティリティの構成を構築します。

  • 1 つの GPU でトレーニングを実行する。

Hugging Face トランスフォーマーとはを参照してください。

要件

Hugging Face データセット をトークン化する

Hugging Face Transformers モデルでは、ダウンロードされたデータのテキストではなく、トークン化された入力が必要です。 基本モデルとの互換性を確保するには、基本モデルから読み込まれた オートトークナイザー を使用します。 Hugging Face datasets を使用すると、トレーニング データとテスト データの両方に一貫してトークナイザーを直接適用できます。

例：

from transformers import AutoTokenizer

tokenizer = AutoTokenizer.from_pretrained(base_model)
def tokenize_function(examples):
    return tokenizer(examples["text"], padding=False, truncation=True)

train_test_tokenized = train_test_dataset.map(tokenize_function, batched=True)

トレーニング構成 を設定する

Hugging Face トレーニング構成ツールを使用して 、トレーナーを構成できます。 トレーナークラスでは、ユーザーが以下を提供する必要があります。

  • メトリクス

  • 基本モデル

  • トレーニング構成

コンピュート Trainer デフォルトの loss メトリクスに加えて、評価メトリクスを設定できます。次の例は、 accuracy をメトリクスとして追加する方法を示しています。

import numpy as np
import evaluate
metric = evaluate.load("accuracy")
def compute_metrics(eval_pred):
    logits, labels = eval_pred
    predictions = np.argmax(logits, axis=-1)
    return metric.compute(predictions=predictions, references=labels)

NLPの自動モデルクラス を使用して、タスクに適したモデルをロードします。

テキスト分類の場合は、 AutoModelForSequenceClassification を使用して、テキスト分類の基本モデルを読み込みます。 モデルを作成するときに、データセットの準備中に作成されたクラスの数とラベル マッピングを指定します。

from transformers import AutoModelForSequenceClassification
model = AutoModelForSequenceClassification.from_pretrained(
        base_model,
        num_labels=len(label2id),
        label2id=label2id,
        id2label=id2label
        )

次に、トレーニング構成を作成します。 TrainingArguments クラスを使用すると、出力ディレクトリ、評価方法、学習率、およびその他のパラメーターを指定できます。

from transformers import TrainingArguments, Trainer
training_args = TrainingArguments(output_dir=training_output_dir, evaluation_strategy="epoch")

データ コレーター を使用すると、トレーニング データセットと評価データセットの入力がバッチ処理されます。DataCollatorWithPadding は、テキスト分類のベースライン パフォーマンスが良好です。

from transformers import DataCollatorWithPadding
data_collator = DataCollatorWithPadding(tokenizer)

これらのパラメーターをすべて構築したら、 Trainerを作成できます。

trainer = Trainer(
    model=model,
    args=training_args,
    train_dataset=train_test_dataset["train"],
    eval_dataset=train_test_dataset["test"],
    compute_metrics=compute_metrics,
    data_collator=data_collator,
)

トレーニングして MLflow に記録する

Hugging Face MLflow と適切に連携し、 MLflowCallback を使用してモデルのトレーニング中にメトリクスを自動的にログに記録します。 ただし、トレーニング済みのモデルを自分でログに記録する必要があります。

MLflow の実行でトレーニングをラップします。 これにより、トークナイザーとトレーニング済みのモデルから Transformers パイプラインが構築され、ローカル ディスクに書き込まれます。 最後に、 mlflow.transformers.log_model を使用してモデルを MLflow に記録します。

from transformers import pipeline

with mlflow.start_run() as run:
  trainer.train()
  trainer.save_model(model_output_dir)
  pipe = pipeline("text-classification", model=AutoModelForSequenceClassification.from_pretrained(model_output_dir), batch_size=1, tokenizer=tokenizer)
  model_info = mlflow.transformers.log_model(
        transformers_model=pipe,
        artifact_path="classification",
        input_example="Hi there!",
    )

パイプラインを作成する必要がない場合は、トレーニングで使用されるコンポーネントをディクショナリに送信できます。

model_info = mlflow.transformers.log_model(
  transformers_model={"model": trainer.model, "tokenizer": tokenizer},
  task="text-classification",
  artifact_path="text_classifier",
  input_example=["MLflow is great!", "MLflow on Databricks is awesome!"],
)

推論 のためにモデルを読み込む

モデルがログに記録され、準備ができたら、推論のためにモデルを読み込むことは、MLflow でラップされた事前トレーニング済みモデルを読み込むことと同じです。

logged_model = "runs:/{run_id}/{model_artifact_path}".format(run_id=run.info.run_id, model_artifact_path=model_artifact_path)

# Load model as a Spark UDF. Override result_type if the model does not return double values.
loaded_model_udf = mlflow.pyfunc.spark_udf(spark, model_uri=logged_model, result_type='string')

test = test.select(test.text, test.label, loaded_model_udf(test.text).alias("prediction"))
display(test)

詳細については、「 Databricks で提供されるモデル 」を参照してください。

一般的なCUDAエラー のトラブルシューティング

このセクションでは、一般的なCUDAエラーとその解決方法に関するガイダンスについて説明します。

メモリ不足エラー: CUDA のメモリ 不足

大規模なモデルをトレーニングする場合、発生する可能性のある一般的なエラーは、CUDA のメモリ不足エラーです。

例：

OutOfMemoryError: CUDA out of memory. Tried to allocate 20.00 MiB (GPU 0; 14.76 GiB total capacity; 666.34 MiB already allocated; 17.75 MiB free; 720.00 MiB reserved in total by PyTorch) If reserved memory is >> allocated memory try setting max_split_size_mb to avoid fragmentation.  See documentation for Memory Management and PYTORCH_CUDA_ALLOC_CONF.

このエラーを解決するには、次の推奨事項を試してください。

  • トレーニングのバッチ サイズを小さくします。 トレーニング引数の per_device_train_batch_size 値を小さくすることができます。

  • 精度の低いトレーニングを使用します。 fp16=True は [トレーニング引数] で設定できます。

  • トレーニング引数 でgradient_accumulation_stepsを使用して、バッチ全体のサイズを効果的に増やします。

  • 8ビットのアダムオプティマイザを使用します。

  • トレーニングの前に GPU メモリをクリーンアップします。 場合によっては、GPUメモリが未使用のコードで占有されている可能性があります。

    from numba import cuda
device = cuda.get_current_device()
device.reset()

CUDA カーネルエラー

トレーニングを実行すると、CUDAカーネルエラーが発生する場合があります。

例：

CUDA kernel errors might be asynchronously reported at some other API call, so the stacktrace below might be incorrect.

For debugging, consider passing CUDA_LAUNCH_BLOCKING=1.

トラブルシューティングを行うには:

  • CPUでコードを実行して、エラーが再現可能かどうかを確認してください。

  • 別のオプションは、 CUDA_LAUNCH_BLOCKING=1を設定してより良いトレースバックを取得することです。

    import os
os.environ["CUDA_LAUNCH_BLOCKING"] = "1"

ノートブック: 1 つの GPU でのテキスト分類の微調整

コード例をすばやく使用するために、このサンプル ノートブックでは、テキスト分類用にモデルを微調整するためのエンドツーエンドの例を提供します。 この記事の以降のセクションでは、Hugging Face を使用して Databricks を微調整する方法について詳しく説明します。

テキスト分類モデルの微調整ノートブック Hugging Face

ノートブックを新しいタブで開く

関連リソース

Databricks での Hugging Face の詳細については、こちらを参照してください。