Migrazione da pacchetti precedenti

Migrazione da transformers v3.x a v4.x

Un paio di modifiche sono state introdotte nel passaggio dalla versione 3 alla versione 4. Di seguito è riportato un riepilogo delle modifiche previste:

1. AutoTokenizer e pipeline ora utilizzano tokenizer veloci (rust) per impostazione predefinita.

I tokenizer python e rust hanno all’incirca le stesse API, ma i tokenizer rust hanno un set di funzionalità più completo.

Ciò introduce due modifiche sostanziali:

Come ottenere lo stesso comportamento di v3.x in v4.x

Nella versione v3.x:

from transformers import AutoTokenizer 

tokenizer = AutoTokenizer.from_pretrained("bert-base-cased") 

per ottenere lo stesso nella versione v4.x:

from transformers import AutoTokenizer 

tokenizer = AutoTokenizer.from_pretrained("bert-base-cased", use_fast=False) 

2. SentencePiece è stato rimosso dalle dipendenze richieste

Il requisito sulla dipendenza SentencePiece è stato rimosso da setup.py. È stato fatto per avere un canale su anaconda cloud senza basarsi su conda-forge. Ciò significa che i tokenizer che dipendono dalla libreria SentencePiece non saranno disponibili con un’installazione standard di transformers.

Ciò include le versioni lente di:

Come ottenere lo stesso comportamento della v3.x nella v4.x

Per ottenere lo stesso comportamento della versione v3.x, devi installare anche sentencepiece:

Nella versione v3.x:

pip install transformers 

per ottenere lo stesso nella versione v4.x:

pip install transformers[sentencepiece] 

o

pip install transformers stentencepiece 

3. L’architettura delle repo è stato aggiornata in modo che ogni modello abbia la propria cartella

Con l’aggiunta di nuovi modelli, il numero di file nella cartella src/transformers continua a crescere e diventa più difficile navigare e capire. Abbiamo fatto la scelta di inserire ogni modello e i file che lo accompagnano nelle proprie sottocartelle.

Si tratta di una modifica sostanziale in quanto l’importazione di layer intermedi utilizzando direttamente il modulo di un modello deve essere eseguita tramite un percorso diverso.

Come ottenere lo stesso comportamento della v3.x nella v4.x

Per ottenere lo stesso comportamento della versione v3.x, devi aggiornare il percorso utilizzato per accedere ai layer.

Nella versione v3.x:

from transformers.modeling_bert import BertLayer 

per ottenere lo stesso nella versione v4.x:

from transformers.models.bert.modeling_bert import BertLayer 

4. Impostare l’argomento return_dict su True per impostazione predefinita

L’argomento return_dict abilita la restituzione di oggetti python dict-like contenenti gli output del modello, invece delle tuple standard. Questo oggetto è self-documented poiché le chiavi possono essere utilizzate per recuperare valori, comportandosi anche come una tupla e gli utenti possono recuperare oggetti per indexing o slicing.

Questa è una modifica sostanziale poiché la tupla non può essere decompressa: value0, value1 = outputs non funzionerà.

Come ottenere lo stesso comportamento della v3.x nella v4.x

Per ottenere lo stesso comportamento della versione v3.x, specifica l’argomento return_dict come False, sia nella configurazione del modello che nel passaggio successivo.

Nella versione v3.x:

model = BertModel.from_pretrained("bert-base-cased") 
outputs = model(**inputs) 

per ottenere lo stesso nella versione v4.x:

model = BertModel.from_pretrained("bert-base-cased") 
outputs = model(**inputs, return_dict=False) 

o

model = BertModel.from_pretrained("bert-base-cased", return_dict=False) 
outputs = model(**inputs) 

5. Rimozione di alcuni attributi deprecati

Gli attributi sono stati rimossi se deprecati da almeno un mese. L’elenco completo degli attributi obsoleti è disponibile in #8604.

Ecco un elenco di questi attributi/metodi/argomenti e quali dovrebbero essere le loro sostituzioni:

In diversi modelli, le etichette diventano coerenti con gli altri modelli:

In diversi modelli, il meccanismo di memorizzazione nella cache diventa coerente con gli altri:

Per quanto riguarda le classi tokenizer:

Per quanto riguarda la classe Trainer:

Per quanto riguarda la classe TFTrainer:

Per quanto riguarda la classe TrainingArguments:

Per quanto riguarda il modello Transfo-XL:

Per quanto riguarda le pipeline:

Passaggio da pytorch-transformers a 🤗 Transformers

Ecco un breve riepilogo di ciò a cui prestare attenzione durante il passaggio da pytorch-transformers a 🤗 Transformers.

L’ordine posizionale di alcune parole chiave di input dei modelli ( attention_mask , token_type_ids …) è cambiato

Per usare Torchscript (vedi #1010, #1204 e #1195) l’ordine specifico delle parole chiave di input di alcuni modelli (attention_mask, token_type_ids…) è stato modificato.

Se inizializzavi i modelli usando parole chiave per gli argomenti, ad esempio model(inputs_ids, attention_mask=attention_mask, token_type_ids=token_type_ids), questo non dovrebbe causare alcun cambiamento.

Se inizializzavi i modelli con input posizionali per gli argomenti, ad esempio model(inputs_ids, attention_mask, token_type_ids), potrebbe essere necessario ricontrollare l’ordine esatto degli argomenti di input.

Migrazione da pytorch-pretrained-bert

Ecco un breve riepilogo di ciò a cui prestare attenzione durante la migrazione da pytorch-pretrained-bert a 🤗 Transformers

I modelli restituiscono sempre tuple

La principale modifica di rilievo durante la migrazione da pytorch-pretrained-bert a 🤗 Transformers è che il metodo dei modelli di previsione dà sempre una tupla con vari elementi a seconda del modello e dei parametri di configurazione.

Il contenuto esatto delle tuple per ciascun modello è mostrato in dettaglio nelle docstring dei modelli e nella documentazione.

In quasi tutti i casi, andrà bene prendendo il primo elemento dell’output come quello che avresti precedentemente utilizzato in pytorch-pretrained-bert.

Ecco un esempio di conversione da pytorch-pretrained-bert a 🤗 Transformers per un modello di classificazione BertForSequenceClassification:

# Carichiamo il nostro modello 
model = BertForSequenceClassification.from_pretrained("bert-base-uncased") 

# Se usavi questa riga in pytorch-pretrained-bert : 
loss = model(input_ids, labels=labels) 

# Ora usa questa riga in 🤗 Transformers per estrarre la perdita dalla tupla di output: 
outputs = model(input_ids, labels=labels) 
loss = outputs[0] 

# In 🤗 Transformers puoi anche avere accesso ai logit: 
loss, logits = outputs[:2] 

# Ed anche agli attention weight se configuri il modello per restituirli (e anche altri output, vedi le docstring e la documentazione) 
model = BertForSequenceClassification.from_pretrained(" bert-base-uncased", output_attentions=True) 
outputs = model(input_ids, labels=labels) 
loss, logits, attentions = outputs 

Serializzazione

Modifica sostanziale nel metodo from_pretrained():

  1. I modelli sono ora impostati in modalità di valutazione in maniera predefinita quando usi il metodo from_pretrained(). Per addestrarli non dimenticare di riportarli in modalità di addestramento (model.train()) per attivare i moduli di dropout.

  2. Gli argomenti aggiuntivi *inputs e **kwargs forniti al metodo from_pretrained() venivano passati direttamente al metodo __init__() della classe sottostante del modello. Ora sono usati per aggiornare prima l’attributo di configurazione del modello, che può non funzionare con le classi del modello derivate costruite basandosi sui precedenti esempi di BertForSequenceClassification. Più precisamente, gli argomenti posizionali *inputs forniti a from_pretrained() vengono inoltrati direttamente al metodo __init__() del modello mentre gli argomenti keyword **kwargs (i) che corrispondono agli attributi della classe di configurazione, vengono utilizzati per aggiornare tali attributi (ii) che non corrispondono ad alcun attributo della classe di configurazione, vengono inoltrati al metodo __init__().

Inoltre, sebbene non si tratti di una modifica sostanziale, i metodi di serializzazione sono stati standardizzati e probabilmente dovresti passare al nuovo metodo save_pretrained(save_directory) se prima usavi qualsiasi altro metodo di serializzazione.

Ecco un esempio:

### Carichiamo un modello e un tokenizer 
model = BertForSequenceClassification.from_pretrained("bert-base-uncased") 
tokenizer = BertTokenizer.from_pretrained("bert-base-uncased") 

### Facciamo fare alcune cose al nostro modello e tokenizer 
# Es: aggiungiamo nuovi token al vocabolario e agli embending del nostro modello 
tokenizer.add_tokens(["[SPECIAL_TOKEN_1]", "[SPECIAL_TOKEN_2]"]) 
model.resize_token_embeddings(len(tokenizer)) 
# Alleniamo il nostro modello
train(model) 

### Ora salviamo il nostro modello e il tokenizer in una cartella 
model.save_pretrained("./my_saved_model_directory/") 
tokenizer.save_pretrained("./my_saved_model_directory/") 

### Ricarichiamo il modello e il tokenizer 
model = BertForSequenceClassification.from_pretrained("./my_saved_model_directory/") 
tokenizer = BertTokenizer.from_pretrained("./my_saved_model_directory/") 

Ottimizzatori: BertAdam e OpenAIAdam ora sono AdamW, lo scheduling è quello standard PyTorch

I due ottimizzatori precedenti inclusi, BertAdam e OpenAIAdam, sono stati sostituiti da un singolo AdamW che presenta alcune differenze:

Il nuovo ottimizzatore AdamW corrisponde alle API di Adam di PyTorch e ti consente di utilizzare metodi PyTorch o apex per lo scheduling e il clipping.

Lo scheduling è ora standard PyTorch learning rate schedulers e non fanno più parte dell’ottimizzatore.

Ecco un esempio di linear warmup e decay con BertAdam e con AdamW:

# Parametri: 
lr = 1e-3 
max_grad_norm = 1.0 
num_training_steps = 1000 
num_warmup_steps = 100 
warmup_proportion = float( num_warmup_steps) / float(num_training_steps) # 0.1 

### In precedenza l'ottimizzatore BertAdam veniva istanziato in questo modo: 
optimizer = BertAdam( 
   model.parameters(), 
   lr=lr, 
   schedule="warmup_linear", 
   warmup=warmup_proportion, 
   num_training_steps=num_training_steps, 
) 
### e usato in questo modo: 
for batch in train_data: 
   loss = model(batch) 
   loss.backward() 
   optimizer.step() 

### In 🤗 Transformers, ottimizzatore e schedule sono divisi e usati in questo modo: 
optimizer = AdamW( 
   model.parameters(), lr=lr, correct_bias=False 
) # Per riprodurre il comportamento specifico di BertAdam impostare correct_bias=False 
scheduler = get_linear_schedule_with_warmup( 
   optimizer, num_warmup_steps=num_warmup_steps, num_training_steps=num_training_steps 
) # PyTorch scheduler 
### e va usato così: 
for batch in train_data: 
   loss = model(batch) 
   loss.backward() 
   torch.nn.utils.clip_grad_norm_( 
   model.parameters(), max_grad_norm 
   ) # Gradient clipping non è più in AdamW (quindi puoi usare amp senza problemi) 
   optimizer.step() 
   scheduler.step()