-
Notifications
You must be signed in to change notification settings - Fork 0
/
train_RoBERTa.py
411 lines (311 loc) · 12 KB
/
train_RoBERTa.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
"""
実行ファイル
"""
import os
import argparse
from config import common_args, Parameters
from inference import predict, predict_roberta
from model_RoBERTa import Classifier_RoBERTa
from preprocess import make_dataset_roberta, make_folded_df
from utils import dump_params, setup_params, get_device, seed_everything
from utils import set_logging
import logging
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
import seaborn as sns
import torch
import torch.nn as nn
import torch.optim as optim
from sklearn.metrics import classification_report, confusion_matrix, f1_score
from tqdm import tqdm
from transformers import AdamW, AutoModel, AutoTokenizer
logger = logging.getLogger(__name__)
# training function
def train_fn(dataloader, model, criterion, optimizer, scheduler, device, epoch):
"""学習に関する損失や各種スコア
学習の損失計算及び最適化
Args:
dataloader:
model:
criterion:
optimizer:
scheduler:
device: GPU
epoch: エポック数
Returns:
train_loss: モデルによる予測と正解との誤差
train_acc: 正解率
train_f1: コンペの評価指標
Examples:
関数の使い方
Raises:
例外の名前: 例外の説明
Yields:
戻り値の型: 戻り値についての説明
Note:
注意事項
"""
model.train()
total_loss = 0
total_corrects = 0
all_labels = []
all_preds = []
progress = tqdm(dataloader, total=len(dataloader))
for i, batch in enumerate(progress):
progress.set_description(f"<Train> Epoch{epoch + 1}")
attention_mask, input_ids, labels= batch.values()
del batch
optimizer.zero_grad()
outputs = model(input_ids, attention_mask)
del input_ids, attention_mask
loss = criterion(outputs, labels) # 損失を計算
_, preds = torch.max(outputs, 1) # ラベルを予測
del outputs
loss.backward()
optimizer.step()
scheduler.step()
total_loss += loss.item()
del loss
total_corrects += torch.sum(preds == labels)
all_labels += labels.tolist()
all_preds += preds.tolist()
del labels, preds
progress.set_postfix(loss=total_loss / (i + 1), f1=f1_score(all_labels, all_preds, average="macro"))
train_loss = total_loss / len(dataloader)
train_acc = total_corrects.double().cpu().detach().numpy() / len(dataloader.dataset)
train_f1 = f1_score(all_labels, all_preds, average="macro")
return train_loss, train_acc, train_f1
def eval_fn(dataloader, model, criterion, device, epoch):
"""検証データに関する損失や各種スコア
検証データの損失計算及び最適化
Args:
dataloader:
model:
criterion:
device: GPU
epoch: エポック数
Returns:
valid_loss: モデルによる予測と正解との誤差
valid_acc: 正解率
valid_f1: コンペの評価指標
Examples:
関数の使い方
Raises:
例外の名前: 例外の説明
Yields:
戻り値の型: 戻り値についての説明
Note:
注意事項
"""
model.eval()
total_loss = 0
total_corrects = 0
all_labels = []
all_preds = []
with torch.no_grad():
progress = tqdm(dataloader, total=len(dataloader))
for i, batch in enumerate(progress):
progress.set_description(f"<Valid> Epoch{epoch + 1}")
attention_mask, input_ids, labels = batch.values()
del batch
outputs = model(input_ids, attention_mask)
del input_ids, attention_mask
loss = criterion(outputs, labels)
_, preds = torch.max(outputs, 1)
del outputs
total_loss += loss.item()
del loss
total_corrects += torch.sum(preds == labels)
all_labels += labels.tolist()
all_preds += preds.tolist()
del labels, preds
progress.set_postfix(loss=total_loss / (i + 1), f1=f1_score(all_labels, all_preds, average="macro"))
valid_loss = total_loss / len(dataloader)
valid_acc = total_corrects.double().cpu().detach().numpy() / len(dataloader.dataset)
valid_f1 = f1_score(all_labels, all_preds, average="macro")
return valid_loss, valid_acc, valid_f1
def plot_training(train_losses, train_accs, train_f1s,
valid_losses, valid_accs, valid_f1s,
epoch, fold, result_dir):
"""結果の可視化
3つの評価指標をもとに可視化
Args:
train_losses: モデルによる予測と正解との誤差
train_accs: 正解率
train_f1s: コンペの評価指標
valid_losses: モデルによる予測と正解との誤差
valid_accs: 正解率
valid_f1s: コンペの評価指標
epoch: エポック数
fold: k-fold値
result_dir: 保存親ディレクトリ
Returns:
valid_loss: モデルによる予測と正解との誤差
valid_acc: 正解率
valid_f1: コンペの評価指標
Examples:
関数の使い方
Raises:
例外の名前: 例外の説明
Yields:
戻り値の型: 戻り値についての説明
Note:
注意事項
"""
loss_df = pd.DataFrame({"Train": train_losses,
"Valid": valid_losses},
index=range(1, epoch + 2))
loss_ax = sns.lineplot(data=loss_df).get_figure()
loss_ax.savefig(f"./" + result_dir + f"/figures/loss_plot_fold={fold}.png", dpi=300)
loss_ax.clf()
acc_df = pd.DataFrame({"Train": train_accs,
"Valid": valid_accs},
index=range(1, epoch + 2))
acc_ax = sns.lineplot(data=acc_df).get_figure()
acc_ax.savefig(f"./" + result_dir + f"/figures/acc_plot_fold={fold}.png", dpi=300)
acc_ax.clf()
f1_df = pd.DataFrame({"Train": train_f1s,
"Valid": valid_f1s},
index=range(1, epoch + 2))
f1_ax = sns.lineplot(data=f1_df).get_figure()
f1_ax.savefig(f"./" + result_dir + f"/figures/f1_plot_fold={fold}.png", dpi=300)
f1_ax.clf()
def trainer(params, fold, df, result_dir):
"""学習関数
学習を行うため他関数をまとめる
Args:
params: モデルによる予測と正解との誤差
fold: k-fold値
df: データセット
result_dir: 保存親ディレクトリ
Returns:
best_f1: 最高f1スコア
Examples:
関数の使い方
Raises:
例外の名前: 例外の説明
Yields:
戻り値の型: 戻り値についての説明
Note:
注意事項
"""
train_df = df[df.kfold != fold].reset_index(drop=True)
valid_df = df[df.kfold == fold].reset_index(drop=True)
tokenizer = AutoTokenizer.from_pretrained(params.model_name)
train_dataset = make_dataset_roberta(params, train_df, tokenizer)
valid_dataset = make_dataset_roberta(params, valid_df, tokenizer)
train_dataloader = torch.utils.data.DataLoader(
train_dataset, batch_size=params.train_batch_size, shuffle=True
)
valid_dataloader = torch.utils.data.DataLoader(
valid_dataset, batch_size=params.valid_batch_size, shuffle=False
)
model = Classifier_RoBERTa(params.model_name, num_classes=params.num_classes)
model = model.to(params.device)
if '/' in params.model_name:
model_name_dir = params.model_name.split('/')[1] # model_nameに/が含まれていることがあるため、/以降のみを使う
else:
model_name_dir = params.model_name
criterion = nn.CrossEntropyLoss()
optimizer = AdamW(model.parameters(), lr=params.lr)
scheduler = optim.lr_scheduler.StepLR(optimizer, step_size=100000, gamma=params.gamma)
# ダミーのスケジューラー
train_losses = []
train_accs = []
train_f1s = []
valid_losses = []
valid_accs = []
valid_f1s = []
best_loss = np.inf
best_acc = 0
best_f1 = 0
for epoch in range(params.epoch):
train_loss, train_acc, train_f1 = train_fn(train_dataloader, model, criterion, optimizer, scheduler, params.device,
epoch)
valid_loss, valid_acc, valid_f1 = eval_fn(valid_dataloader, model, criterion, params.device, epoch)
logger.info(f"Loss: {valid_loss} Acc: {valid_acc} f1: {valid_f1} ")
train_losses.append(train_loss)
train_accs.append(train_acc)
train_f1s.append(train_f1)
valid_losses.append(valid_loss)
valid_accs.append(valid_acc)
valid_f1s.append(valid_f1)
plot_training(train_losses, train_accs, train_f1s,
valid_losses, valid_accs, valid_f1s,
epoch, fold, result_dir)
best_loss = valid_loss if valid_loss < best_loss else best_loss
besl_acc = valid_acc if valid_acc > best_acc else best_acc
if valid_f1 > best_f1:
best_f1 = valid_f1
logger.info("model saving!")
torch.save(model.state_dict(), "./" + result_dir + params.models_dir + f"best_{model_name_dir}_{fold}.pth")
# logger.info("\n")
return best_f1
def train(params, result_dir):
"""学習実行
BERT学習を実行
Args:
params: モデルによる予測と正解との誤差
result_dir: 保存親ディレクトリ
Returns:
cv: 平均f1スコア
Examples:
関数の使い方
Raises:
例外の名前: 例外の説明
Yields:
戻り値の型: 戻り値についての説明
Note:
注意事項
"""
logger.info('Train...')
seed_everything(params.seed)
# training
df = make_folded_df(params, params.train_file_path, params.num_split)
f1_scores = []
for fold in range(params.num_split):
print(f"fold {fold}", "=" * 80)
f1 = trainer(params, fold, df, result_dir)
f1_scores.append(f1)
logger.info(f"<fold={fold}> best score: {f1}\n")
cv = sum(f1_scores) / len(f1_scores)
logger.info(f"CV: {cv}")
lines = ""
for i, f1 in enumerate(f1_scores):
line = f"fold={i}: {f1}\n"
lines += line
lines += f"CV : {cv}"
if '/' in params.model_name:
model_name_dir = params.model_name.split('/')[1] # model_nameに/が含まれていることがあるため、/以降のみを使う
else:
model_name_dir = params.model_name
with open(f"./{result_dir}/{model_name_dir}_result.txt", mode='w') as f:
f.write(lines)
return cv
if __name__ == "__main__":
# import doctest
# doctest.testmod()
# コマンドライン引数の設定
parser = argparse.ArgumentParser()
parser = common_args(parser) # コマンドライン引数引数を読み込み
# parser.add_argument("--main") # 実行スクリプト固有のコマンドライン引数があればここに記入する.
args = parser.parse_args()
params = Parameters(**setup_params(vars(args), args.parameters)) # args,run_date,git_revisionなどを追加した辞書を取得
vars(params).update({'device': str(get_device())}) # 空きGPU検索
# 結果出力用ファイルの作成
result_dir = f'result/{params.run_date}' # 結果出力ディレクトリ
os.mkdir(result_dir) # 実行日時を名前とするディレクトリを作成
os.mkdir(result_dir + "/figures")
os.mkdir(result_dir + "/models")
os.mkdir(result_dir + "/output")
dump_params(params, f'{result_dir}') # パラメータを出力
# ログ設定
logger = logging.getLogger(__name__)
set_logging(result_dir) # ログを標準出力とファイルに出力するよう設定
logger.info('parameters: ')
logger.info(params)
# 学習
cv = train(params, result_dir)
# 推論
predict_roberta(params, cv, result_dir)