1 つのGPU向けにHugging Face モデルをファインチューニングする
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ファインチューニングを可能にする Trainer ユーティリティと Auto Model 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 Transformers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 Transformersとはを参照してください。
要件
ドライバーに 1 つの GPU を搭載した単一ノード クラスター 。
Databricks Runtime 13.0 ML以降の GPU バージョン。
このファインチューニングの例では、 Databricks Runtime 13.0 ML以降に含まれている🤗Transformers、🤗データセット、および🤗評価パッケージが必要です。
MLflow 2.3.
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。
OutOfMemoryError: 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ファインチューニング
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。
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。
Spark で Hugging Face Transformers モデルを使用して、NLP バッチ アプリケーションをスケールアウトできます。 「NLP 用の Hugging Face Transformers を使用したモデル推論」を参照してください。