基于谷歌T5模型细调大型语言模型

还记得第一次开始构建一些SQL查询来分析数据吗？基于相信大多数时候，你只是谷歌想看看“有哪些畅销产品”或“每周产品访问次数”。那么，型细型语型为什么要编写SQL查询，言模而不只是基于用自然语言询问自己的想法呢？

由于NLP（Natural Language Processing，自然语言处理）技术的谷歌最新进展，现在这种想法已经变成可能。型细型语型人们现在不仅可以使用LLM（Large Language Model，言模大型语言模型），基于还可以教它们新的谷歌技能，这称作是型细型语型迁移学习。该方法中，言模可以使用预训练模型作为起点，基于而且即使使用较小的谷歌标记数据集，与单独使用数据进行训练相比，型细型语型您仍然可以获得出色的性能。

在本教程中，我们将使用谷歌的文本到文本（text-to-text）生成模型T5，并使用自定义数据进行迁移学习，以便将基本问题转换为SQL查询。我们将在T5中添加一个名为“将英语翻译成SQL”的新任务。通过本教程的学习，您将拥有一个经过培训的服务器托管模型，并且可以把以下示例查询：

Cars built after 2020 and manufactured in Italy

翻译成下面的SQL查询语句：

SELECT name FROM cars WHERE location = Italy AND date > 2020

注意，你可以在相应链接处找到本文完整的Gradio演示程序(https://huggingface.co/spaces/mecevit/english-to-sql)和图层项目(https://app.layer.ai/layer/t5-fine-tuning-with-layer)的完整源码。

1.建立训练数据

通的语言到语言的翻译数据集不同，我们可以借助模板以编程方式构建自定义的英语到SQL语句的翻译配对。下面，我们来看一下这方面的一些模板：

templates = [

["[prop1] of [nns]","SELECT [prop1] FROM [nns]"],

["[agg] [prop1] for each [breakdown]","SELECT [agg]([prop1]) , [breakdown] FROM [prop1] GROUP BY [breakdown]"],

["[prop1] of [nns] by [breakdown]","SELECT [prop1] , [breakdown] FROM [nns] GROUP BY [breakdown]"],

["[prop1] of [nns] in [location] by [breakdown]","SELECT [prop1] , [breakdown] FROM [nns] WHERE location = [location] GROUP BY [breakdown]"],

["[nns] having [prop1] between [number1] and [number2]","SELECT name FROM [nns] WHERE [prop1] > [number1] and [prop1] < [number2]"],

["[prop] by [breakdown]","SELECT name , [breakdown] FROM [prop] GROUP BY [breakdown]"],

["[agg] of [prop1] of [nn]","SELECT [agg]([prop1]) FROM [nn]"],

["[prop1] of [nns] before [year]","SELECT [prop1] FROM [nns] WHERE date < [year]"],

["[prop1] of [nns] after [year] in [location]","SELECT [prop1] FROM [nns] WHERE date > [year] AND location=[location]"],

["[nns] [verb] after [year] in [location]","SELECT name FROM [nns] WHERE location = [location] AND date > [year]"],

["[nns] having [prop1] between [number1] and [number2] by [breakdown]","SELECT name , [breakdown] FROM [nns] WHERE [prop1] < [number1] AND [prop1] > [number2] GROUP BY [breakdown]"],

["[nns] with a [prop1] of maximum [number1] by their [breakdown]","SELECT name , [breakdown] FROM [nns] WHERE [prop1] <= [number1] GROUP BY [breakdown]"],

["[prop1] and [prop2] of [nns] since [year]","SELECT [prop1] , [prop2] FROM [nns] WHERE date > [year]"],

["[nns] which have both [prop1] and [prop2]","SELECT name FROM [nns] WHERE [prop1] IS true AND [prop2] IS true"],

["Top [number1] [nns] by [prop1]","SELECT name FROM [nns] ORDER BY [prop1] DESC LIMIT [number1]"]

]

template = random.choice(templates)

print("Sample Query Template :", template[0])

print("SQL Translation :", template[1])

正如你所看到的，我们在这里使用了Layer中的@dataset装饰器。现在，我们可以通过以下方式轻松地将此功能传递到Layer层：

layer.run([build_dataset])

一旦上面语句运行完成，接下来，我们就可以开始构建自定义数据集加载程序实现微调T5模型了。

2.创建数据加载器Dataloader

在本示例项目中，我们要实现的数据集基本上是一个PyTorch数据集的定制数据集实现。请参考以下代码：

from torch.utils.data import Dataset

class EnglishToSQLDataSet(Dataset):

def __init__(self, dataframe, tokenizer, source_len, target_len, source_text, target_text):

self.tokenizer = tokenizer

self.data = dataframe

self.source_len = source_len

self.target_len = target_len

self.target_text = self.data[target_text]

self.source_text = self.data[source_text]

self.data["query"] = "translate English to SQL: "+self.data["query"]

self.data["sql"] = "" + self.data["sql"] + ""

def __len__(self):

return len(self.target_text)

def __getitem__(self, index):

source_text = str(self.source_text[index])

target_text = str(self.target_text[index])

source_text = .join(source_text.split())

target_text = .join(target_text.split())

source = self.tokenizer.batch_encode_plus([source_text], max_length= self.source_len, pad_to_max_length=True, truncation=True, padding="max_length", return_tensors=pt)

target = self.tokenizer.batch_encode_plus([target_text], max_length= self.target_len, pad_to_max_length=True, truncation=True, padding="max_length", return_tensors=pt)

source_ids = source[input_ids].squeeze()

source_mask = source[attention_mask].squeeze()

target_ids = target[input_ids].squeeze()

target_mask = target[attention_mask].squeeze()

return {

source_ids: source_ids.to(dtype=torch.long),

source_mask: source_mask.to(dtype=torch.long),

target_ids: target_ids.to(dtype=torch.long),

target_ids_y: target_ids.to(dtype=torch.long)

}3.细调T5模型

至此，我们的数据集已准备就绪并注册到Layer层。现在，我们将着手开发微调逻辑部分。此处，源码下载我们使用@model装饰函数并将其传递给Layer层。这将在Layer层对模型进行训练，并将其注册到我们的项目中。

def train(epoch, tokenizer, model, device, loader, optimizer):

import torch

model.train()

for _,data in enumerate(loader, 0):

y = data[target_ids].to(device, dtype = torch.long)

y_ids = y[:, :-1].contiguous()

lm_labels = y[:, 1:].clone().detach()

lm_labels[y[:, 1:] == tokenizer.pad_token_id] = -100

ids = data[source_ids].to(device, dtype = torch.long)

mask = data[source_mask].to(device, dtype = torch.long)

outputs = model(input_ids = ids, attention_mask = mask, decoder_input_ids=y_ids, labels=lm_labels)

loss = outputs[0]

step = (epoch * len(loader)) + _

layer.log({ "loss": float(loss)}, step)

optimizer.zero_grad()

loss.backward()

optimizer.step()

在上述代码中，我们使用了三个独立的Layer层装饰器：

@model：告诉Layer层这个函数用于训练一个ML模型。@fabric：用于告诉Layer层训练模型所需的计算资源（CPU、GPU等）。由于T5是一个大型模型，所以我们需要使用GPU对其进行微调。下面列举的是一个你可以使用Layer层操作的组装列表。@pip_requirements：指示Python包需要对我们的模型进行微调。@model("t5-tokenizer")

@fabric("f-medium")

@pip_requirements(packages=["torch","transformers","sentencepiece"])

def build_tokenizer():

from transformers import T5Tokenizer

#从Hugging face加载分词器

tokenizer = T5Tokenizer.from_pretrained("t5-small")

return tokenizer

@model("t5-english-to-sql")

@fabric("f-gpu-small")

@pip_requirements(packages=["torch","transformers","sentencepiece"])

def build_model():

from torch.utils.data import Dataset, DataLoader, RandomSampler, SequentialSampler

from transformers import T5Tokenizer, T5ForConditionalGeneration

import torch.nn.functional as F

from torch import cuda

import torch

parameters={

"BATCH_SIZE":8,

"EPOCHS":3,

"LEARNING_RATE":2e-05,

"MAX_SOURCE_TEXT_LENGTH":75,

"MAX_TARGET_TEXT_LENGTH":75,

"SEED": 42

}

#把参数加载到Layer层中

layer.log(parameters)

#为重复性设定种子参数

torch.manual_seed(parameters["SEED"])

np.random.seed(parameters["SEED"])

torch.backends.cudnn.deterministic = True

#从Layer层加载分词器

tokenizer = layer.get_model("t5-tokenizer").get_train()

#从Hugging face中加载预训练模型

model = T5ForConditionalGeneration.from_pretrained("t5-small")

device = cuda if cuda.is_available() else cpu

model.to(device)

dataframe = layer.get_dataset("english_sql_translations").to_pandas()

source_text = "query"

target_text = "sql"

dataframe = dataframe[[source_text,target_text]]

train_dataset = dataframe.sample(frac=0.8,random_state = parameters["SEED"])

train_dataset = train_dataset.reset_index(drop=True)

layer.log({ "FULL Dataset": str(dataframe.shape),

"TRAIN Dataset": str(train_dataset.shape)

})

training_set = EnglishToSQLDataSet(train_dataset, tokenizer, parameters["MAX_SOURCE_TEXT_LENGTH"], parameters["MAX_TARGET_TEXT_LENGTH"], source_text, target_text)

dataloader_paramaters = {

batch_size: parameters["BATCH_SIZE"],

shuffle: True,

num_workers: 0

}

training_loader = DataLoader(training_set, **dataloader_paramaters)

optimizer = torch.optim.Adam(params = model.parameters(), lr=parameters["LEARNING_RATE"])

for epoch in range(parameters["EPOCHS"]):

train(epoch, tokenizer, model, device, training_loader, optimizer)

return model

现在，我们可以将分词器和模型训练函数传递给Layer层，以便在远程GPU实例上训练我们的模型。

layer.run([build_tokenizer, build_model], debug=True)

训练完成后，我们可以在Layer层用户界面中找到我们的模型和度量指标。下图显示的是我们所使用的训练过程中的损失曲线：

4.开发Gradio演示程序

Gradio（https://gradio.app/）是使用友好的Web界面演示机器学习模型的高防服务器最快方法，任何人都可以在任何地方使用它！

接下来，我们将用Gradio构建一个交互式演示程序，以便为尝试本文中提供模型的读者提供一个用户界面。

接下来，让我们开始编写代码——创建一个Python文件app.py，并输入以下代码：

import gradio as gr

import layer

model = layer.get_model(layer/t5-fine-tuning-with-layer/models/t5-english-to-sql).get_train()

tokenizer = layer.get_model(layer/t5-fine-tuning-with-layer/models/t5-tokenizer).get_train()

def greet(query):

input_ids = tokenizer.encode(f"translate English to SQL: { query}", return_tensors="pt")

outputs = model.generate(input_ids, max_length=1024)

sql = tokenizer.decode(outputs[0], skip_special_tokens=True)

return sql

iface = gr.Interface(fn=greet, inputs="text", outputs="text", examples=[

"Show me the average price of wines in Italy by provinces",

"Cars built after 2020 and manufactured in Italy",

"Top 10 cities by their population"

])

iface.launch()

在上述代码中：

我们从Layer层中获取经过微调的模型和相关分词器使用Gradio创建一个简单的用户界面：其中，使用一个输入文本字段用于查询输入，一个输出文本字段用于显示预测的SQL查询

为了顺序运行这个小型Python应用程序，我们还需要一些额外的库。因此，我们创建一个包含以下内容的文件：

layer-sdk==0.9.350435

torch==1.11.0

sentencepiece==0.1.96

现在，我们已准备好发布Gradio应用程序了：

（1）打开Hugging face官网（译者注：Hugging Face是美国的一家开源创业公司，其业务领域已经从聊天机器人扩展到机器学习等领域），创建一个空间。

（2）别忘了选择Gradio作为Space SDK 2。

现在，使用以下命令将您的仓库代码克隆到本地目录：

$ git clone [YOUR_HUGGINGFACE_SPACE_URL]

然后，将requirements.txt文件和app.py文件放到复制的目录中，并在终端中运行以下命令：

$ git add app.py

$ git add requirements.txt

$ git commit -m "Add application files"

$ git push

现在，切换到你前面创建的空间。你会观察到在你创建的示例应用程序部署完毕后的程序界面。

5.小结    

在本文中，我们学习了如何使用谷歌的T5模型框架来微调大型语言的模型相关技巧。在仔细阅读完本文后，我相信您可以着手设计自己的任务并使用T5模型来微调你自己的应用程序模型了。

最后，你也可以查看下载并分析微调T5项目(https://app.layer.ai/layer/t5-fine-tuning-with-layer)，并根据自己的任务对其进行修改。

原文及参考资料：

https://ai.googleblog.com/2020/02/exploring-transfer-learning-with-t5.html

https://app.layer.ai/layer/t5-fine-tuning-with-layer

https://huggingface.co/spaces

https://www.kdnuggets.com/2022/05/query-table-t5.html

译者介绍

朱先忠，51CTO社区编辑，51CTO专家博客、讲师，潍坊一所高校计算机教师，自由编程界老兵一枚。早期专注各种微软技术（编著成ASP.NET AJX、Cocos 2d-X相关三本技术图书），近十多年投身于开源世界（熟悉流行全栈Web开发技术），了解基于OneNet/AliOS+Arduino/ESP32/树莓派等物联网开发技术与Scala+Hadoop+Spark+Flink等大数据开发技术。

很赞哦!（48）