同步操作将从 MindSpore/mindformers 强制同步,此操作会覆盖自 Fork 仓库以来所做的任何修改,且无法恢复!!!
确定后同步将在后台操作,完成时将刷新页面,请耐心等待。
MindSpore Transformers套件的目标是构建一个大模型训练、微调、评估、推理、部署的全流程开发套件: 提供业内主流的Transformer类预训练模型和SOTA下游任务应用,涵盖丰富的并行特性。期望帮助用户轻松的实现大模型训练和创新研发。
MindSpore Transformers套件基于MindSpore内置的并行技术和组件化设计,具备如下特点:
如果您对MindSpore Transformers有任何建议,请通过issue与我们联系,我们将及时处理。
目前支持的模型列表如下:
模型 | 任务(task name) | 模型(model name) |
---|---|---|
BERT | masked_language_modeling text_classification token_classification question_answering | bert_base_uncased txtcls_bert_base_uncased txtcls_bert_base_uncased_mnli tokcls_bert_base_chinese tokcls_bert_base_chinese_cluener qa_bert_base_uncased qa_bert_base_chinese_uncased |
T5 | translation | t5_small |
GPT2 | text_generation | gpt2_small gpt2_13b gpt2_52b |
PanGuAlpha | text_generation | pangualpha_2_6_b pangualpha_13b |
GLM | text_generation | glm_6b glm_6b_lora |
LLama | text_generation | llama_7b llama_13b llama_65b llama_7b_lora |
Bloom | text_generation | bloom_560m bloom_7.1b bloom_65b bloom_176b |
MAE | masked_image_modeling | mae_vit_base_p16 |
VIT | image_classification | vit_base_p16 |
Swin | image_classification | swin_base_p4w7 |
CLIP | contrastive_language_image_pretrain, zero_shot_image_classification | clip_vit_b_32 clip_vit_b_16 clip_vit_l_14 clip_vit_l_14@336 |
支持源码编译安装,用户可以执行下述的命令进行包的安装
git clone -b dev https://gitee.com/mindspore/mindformers.git
cd mindformers
bash build.sh
pip install https://ascend-repo-modelzoo.obs.cn-east-2.myhuaweicloud.com/MindFormers/wheel_packages/dev/0.6.0/mindformers-0.6.0.dev0-py3-none-any.whl --trusted-host ascend-repo-modelzoo.obs.cn-east-2.myhuaweicloud.com -i https://pypi.tuna.tsinghua.edu.cn/simple
具体参考镜像安装
版本对应关系 | MindFormers | MindPet | MindSpore | Python |
---|---|---|---|---|
版本号 | dev | 1.0.0 | 2.0/1.10 | 3.7.5/3.9 |
MindFormers套件对外提供两种使用和开发形式,为开发者提供灵活且简洁的使用方式和高阶开发接口。
用户可以直接clone整个仓库,按照以下步骤即可运行套件中已支持的任意configs
模型任务配置文件,方便用户快速进行使用和开发:
准备工作
git clone -b dev https://gitee.com/mindspore/mindformers.git
cd mindformers
step2: 准备相应任务的数据集,请参考docs
目录下各模型的README.md文档准备相应数据集
step3:修改配置文件configs/{model_name}/run_{model_name}_***.yaml
中数据集路径
step4:如果要使用分布式训练,则需提前生成RANK_TABLE_FILE
# 不包含8本身,生成0~7卡的hccl json文件
python mindformers/tools/hccl_tools.py --device_num [0,8]
单卡启动:统一接口启动,根据模型 CONFIG 完成任意模型的单卡训练、微调、评估、推理流程
# 训练启动,run_status支持train、finetuen、eval、predict三个关键字,以分别完成模型训练、评估、推理功能,默认使用配置文件中的run_mode
python run_mindformer.py --config {CONFIG_PATH} --run_mode {train/finetune/eval/predict}
# 8卡分布式运行, DEVICE_RANGE = [0, 8], 不包含8本身
cd scripts
bash run_distribute.sh RANK_TABLE_FILE CONFIG_PATH DEVICE_RANGE RUN_MODE
RANK_TABLE_FILE: 由mindformers/tools/hccl_tools.py生成的分布式json文件
CONFIG_PATH: 为configs文件夹下面的{model_name}/run_*.yaml配置文件
DEVICE_ID: 为设备卡,范围为0~7
DEVICE_RANGE: 为单机分布式卡的范围, 如[0,8]为8卡分布式,不包含8本身
RUN_STATUS: 为任务运行状态,支持关键字 train\finetune\eval\predict
详细高阶API使用教程请参考:MindFormers大模型使用教程
准备工作
具体安装请参考第二章
准备相应任务的数据集,请参考docs
目录下各模型的README.md文档准备相应数据集。
Trainer 快速入门
用户可以通过以上方式安装mindformers库,然后利用Trainer高阶接口执行模型任务的训练、微调、评估、推理功能。
用户可使用Trainer.train
接口完成模型的训练\微调\断点续训。
from mindformers import Trainer
cls_trainer = Trainer(task='image_classification', # 已支持的任务名
model='vit_base_p16', # 已支持的模型名
train_dataset="/data/imageNet-1k/train", # 传入标准的训练数据集路径,默认支持ImageNet数据集格式
eval_dataset="/data/imageNet-1k/val") # 传入标准的评估数据集路径,默认支持ImageNet数据集格式
# Example 1: 开启训练复现流程
cls_trainer.train()
# Example 2: 加载集成的mae权重,开启微调流程
cls_trainer.finetune(finetune_checkpoint='mae_vit_base_p16')
# Example 3: 开启断点续训功能(如训练10epochs中断)
cls_trainer.train(train_checkpoint=True, resume_training=True)
用户可使用Trainer.evaluate
接口完成模型的评估流程。
from mindformers import Trainer
cls_trainer = Trainer(task='image_classification', # 已支持的任务名
model='vit_base_p16', # 已支持的模型名
eval_dataset="/data/imageNet-1k/val") # 传入标准的评估数据集路径,默认支持ImageNet数据集格式
# Example 1: 开启评估已集成模型权重的复现流程
cls_trainer.evaluate()
# Example 2: 开启评估训练得到的最后一个权重
cls_trainer.evaluate(eval_checkpoint=True)
# Example 3: 开启评估指定的模型权重
cls_trainer.evaluate(eval_checkpoint='./output/rank_0/checkpoint/mindformers.ckpt')
结果打印示例(已集成的vit_base_p16模型权重评估分数):
Top1 Accuracy=0.8317
用户可使用Trainer.predict
接口完成模型的推理流程。
from mindformers import Trainer
cls_trainer = Trainer(task='image_classification', # 已支持的任务名
model='vit_base_p16') # 已支持的模型名
input_data = './cat.png' # 一张猫的图片
# Example 1: 指定输入的数据完成模型推理
predict_result_d = cls_trainer.predict(input_data=input_data)
# Example 2: 开启推理(自动加载训练得到的最后一个权重)
predict_result_b = cls_trainer.predict(input_data=input_data, predict_checkpoint=True)
# Example 3: 加载指定的权重以完成推理
predict_result_c = cls_trainer.predict(input_data=input_data, predict_checkpoint='./output/rank_0/checkpoint/mindformers.ckpt')
print(predict_result_d)
结果打印示例(已集成的vit_base_p16模型权重推理结果):
{‘label’: 'cat', score: 0.99}
pipeline 快速入门
MindFormers套件为用户提供了已集成模型的pipeline推理接口,方便用户体验大模型推理服务。
from mindformers import pipeline
from mindformers.tools.image_tools import load_image
test_img = load_image("./sunflower.png") # 一朵太阳花图片
classifier = pipeline("zero_shot_image_classification",
model='clip_vit_b_32',
candidate_labels=["sunflower", "tree", "dog", "cat", "toy"])
predict_result = classifier(test_img)
print(predict_result)
结果打印示例(已集成的clip_vit_b_32模型权重推理结果):
[[{'score': 0.9999547, 'label': 'sunflower'}, {'score': 1.8684346e-05, 'label': 'toy'}, {'score': 1.3045716e-05, 'label': 'dog'}, {'score': 1.129241e-05, 'label': 'tree'}, {'score': 2.1734568e-06, 'label': 'cat'}]]
AutoClass 快速入门
MindFormers套件为用户提供了高阶AutoClass类,包含AutoConfig、AutoModel、AutoProcessor、AutoTokenizer四类,方便开发者进行调用。
from mindformers import AutoConfig
# 获取clip_vit_b_32的模型配置
clip_vit_b_32_config = AutoConfig.from_pretrained('clip_vit_b_32')
# 获取vit_base_p16的模型配置
vit_base_p16_config = AutoConfig.from_pretrained('vit_base_p16')
from mindformers import AutoModel
# 利用from_pretrained功能实现模型的实例化(默认加载对应权重)
clip_vit_b_32_a = AutoModel.from_pretrained('clip_vit_b_32')
# 利用from_config功能实现模型的实例化(默认加载对应权重)
clip_vit_b_32_config = AutoConfig.from_pretrained('clip_vit_b_32')
clip_vit_b_32_b = AutoModel.from_config(clip_vit_b_32_config)
# 利用save_pretrained功能保存模型对应配置
clip_vit_b_32_b.save_pretrained('./clip', save_name='clip_vit_b_32')
from mindformers import AutoProcessor
# 通过模型名关键字获取对应模型预处理过程(实例化clip的预处理过程,通常用于Trainer/pipeline推理入参)
clip_processor_a = AutoProcessor.from_pretrained('clip_vit_b_32')
# 通过yaml文件获取相应的预处理过程
clip_processor_b = AutoProcessor.from_pretrained('configs/clip/run_clip_vit_b_32_zero_shot_image_classification_cifar100.yaml')
from mindformers import AutoTokenizer
# 通过模型名关键字获取对应模型预处理过程(实例化clip的tokenizer,通常用于Trainer/pipeline推理入参)
clip_tokenizer = AutoTokenizer.from_pretrained('clip_vit_b_32')
欢迎参与社区贡献,可参考MindSpore贡献要求Contributor Wiki。
此处可能存在不合适展示的内容,页面不予展示。您可通过相关编辑功能自查并修改。
如您确认内容无涉及 不当用语 / 纯广告导流 / 暴力 / 低俗色情 / 侵权 / 盗版 / 虚假 / 无价值内容或违法国家有关法律法规的内容,可点击提交进行申诉,我们将尽快为您处理。