使用Trainer API进行超参数搜索
🤗 Transformers库提供了一个优化过的Trainer
类,用于训练🤗 Transformers模型,相比于手动编写自己的训练循环,这更容易开始训练。Trainer
提供了超参数搜索的API。本文档展示了如何在示例中启用它。
超参数搜索后端
Trainer
目前支持四种超参数搜索后端:optuna,sigopt,raytune,wandb
在使用它们之前,您应该先安装它们作为超参数搜索后端。
pip install optuna/sigopt/wandb/ray[tune]
如何在示例中启用超参数搜索
定义超参数搜索空间,不同的后端需要不同的格式。
对于sigopt,请参阅sigopt object_parameter,它类似于以下内容:
>>> def sigopt_hp_space(trial):
... return [
... {"bounds": {"min": 1e-6, "max": 1e-4}, "name": "learning_rate", "type": "double"},
... {
... "categorical_values": ["16", "32", "64", "128"],
... "name": "per_device_train_batch_size",
... "type": "categorical",
... },
... ]
对于optuna,请参阅optuna object_parameter,它类似于以下内容:
>>> def optuna_hp_space(trial):
... return {
... "learning_rate": trial.suggest_float("learning_rate", 1e-6, 1e-4, log=True),
... "per_device_train_batch_size": trial.suggest_categorical("per_device_train_batch_size", [16, 32, 64, 128]),
... }
Optuna提供了多目标HPO。您可以在hyperparameter_search
中传递direction
参数,并定义自己的compute_objective
以返回多个目标值。在hyperparameter_search
中将返回Pareto Front(List[BestRun]
),您应该参考test_trainer中的测试用例TrainerHyperParameterMultiObjectOptunaIntegrationTest
。它类似于以下内容:
>>> best_trials = trainer.hyperparameter_search(
... direction=["minimize", "maximize"],
... backend="optuna",
... hp_space=optuna_hp_space,
... n_trials=20,
... compute_objective=compute_objective,
... )
对于raytune,可以参考raytune的object_parameter,它类似于以下内容:
>>> def ray_hp_space(trial):
... return {
... "learning_rate": tune.loguniform(1e-6, 1e-4),
... "per_device_train_batch_size": tune.choice([16, 32, 64, 128]),
... }
对于wandb,可以参考wandb的object_parameter,它类似于以下内容:
>>> def wandb_hp_space(trial):
... return {
... "method": "random",
... "metric": {"name": "objective", "goal": "minimize"},
... "parameters": {
... "learning_rate": {"distribution": "uniform", "min": 1e-6, "max": 1e-4},
... "per_device_train_batch_size": {"values": [16, 32, 64, 128]},
... },
... }
定义一个model_init
函数并将其传递给[Trainer],作为示例:
>>> def model_init(trial):
... return AutoModelForSequenceClassification.from_pretrained(
... model_args.model_name_or_path,
... from_tf=bool(".ckpt" in model_args.model_name_or_path),
... config=config,
... cache_dir=model_args.cache_dir,
... revision=model_args.model_revision,
... use_auth_token=True if model_args.use_auth_token else None,
... )
使用你的model_init
函数、训练参数、训练和测试数据集以及评估函数创建一个Trainer
。
>>> trainer = Trainer(
... model=None,
... args=training_args,
... train_dataset=small_train_dataset,
... eval_dataset=small_eval_dataset,
... compute_metrics=compute_metrics,
... processing_class=tokenizer,
... model_init=model_init,
... data_collator=data_collator,
... )
调用超参数搜索,获取最佳试验参数,后端可以是"optuna"
/"sigopt"
/"wandb"
/"ray"
。方向可以是"minimize"
或"maximize"
,表示是否优化更大或更低的目标。
您可以定义自己的compute_objective函数,如果没有定义,将调用默认的compute_objective,并将评估指标(如f1)之和作为目标值返回。
>>> best_trial = trainer.hyperparameter_search(
... direction="maximize",
... backend="optuna",
... hp_space=optuna_hp_space,
... n_trials=20,
... compute_objective=compute_objective,
... )
针对DDP微调的超参数搜索
目前,Optuna和Sigopt已启用针对DDP的超参数搜索。只有rank-zero进程会进行超参数搜索并将参数传递给其他进程。
< > Update on GitHub