概述
简述
Albert是自然语言处理模型，基于Bert模型修改得到。相比于Bert模型，Albert的参数量缩小了10倍，减小了模型大小，加快了训练速度。在相同的训练时间下，Albert模型的精度高于Bert模型。
参考实现：
url=https://github.com/lonePatient/albert_pytorch commit_id=46de9ec6b54f4901f78cf8c19696a16ad4f04dbc适配昇腾 AI 处理器的实现：
url=https://gitee.com/ascend/ModelZoo-PyTorch.git code_path=PyTorch/contrib/nlp
准备训练环境
准备环境
当前模型支持的 PyTorch 版本和已知三方库依赖如下表所示。
表 1 版本支持表
Torch_Version 三方库依赖版本 PyTorch 1.5 - PyTorch 1.8 - PyTorch 1.11 - PyTorch 2.1 - 环境准备指导。
请参考《Pytorch框架训练环境准备》。
安装依赖。
pip install -r requirements.txt
准备数据集
获取数据集。
用户自行下载
SST-2和STS-B数据集，在模型根目录下创建dataset目录，并放入数据集。数据集目录结构参考如下所示。
├── dataset ├──SST-2 ├──original │──dev.tsv │──test.tsv │──train.tsv | ... ├──STS-B ├──original │──dev.tsv │──test.tsv │──train.tsv │ ...说明： 该数据集的训练过程脚本只作为一种参考示例。
下载预训练模型
下载 albert_base_v2 预训练模型，在模型根目录下创建 prev_trained_model 目录，并将预训练模型放置在该目录下。
开始训练
训练模型
进入解压后的源码包根目录。
cd /${模型文件夹名称}运行训练脚本。
该模型支持单机单卡训练和单机8卡训练。
单机单卡训练
启动单卡训练。
bash ./test/train_full_1p.sh --data_path=real_data_path #单卡精度 bash ./test/train_performance_1p.sh --data_path=real_data_path #单卡性能单机8卡训练
启动8卡训练。
bash ./test/train_full_8p.sh --data_path=real_data_path #8卡精度 bash ./test/train_performance_8p.sh --data_path=real_data_path #8卡性能单机8卡评测
启动8卡评测。
bash ./test/train_eval_8p.sh --data_path=real_data_path #8卡评测
--data_path参数填写数据集路径，需写到数据集的一级目录。
模型训练脚本参数说明如下。
公共参数： --data_dir //数据集路径 --model_type //模型类型 --task_name //任务名称 --output_dir //输出保存路径 --do_train //是否训练 --do_eval //是否验证 --num_train_epochs //重复训练次数 --batch-size //训练批次大小 --learning_rate //初始学习率 --fp16 //是否使用混合精度 --fp16_opt_level //混合精度的level训练完成后，权重文件保存在当前路径下，并输出模型训练精度和性能信息。
训练结果展示
表2 训练结果展示表
| NAME | Acc@1 | FPS | Epochs | AMP_Type | Torch_Version |
|---|---|---|---|---|---|
| 1p-竞品V | 0.927 | 517 | 2 | O1 | 1.5 |
| 8p-竞品V | 0.914 | 3327 | 7 | O1 | 1.5 |
| 1p-NPU | 0.932 | 445.21 | 2 | O2 | 1.8 |
| 8p-NPU | 0.927 | 3111.56 | 7 | O2 | 1.8 |
版本说明
变更
2022.08.24：首次发布。
FAQ
无。
Albert模型-推理指导
概述
ALBERT是BERT 的“改进版”，主要通过通过Factorized embedding parameterization和Cross-layer parameter sharing两大机制减少参数量，得到一个占用较小的模型，对实际落地有较大的意义，不过由于其主要还是减少参数，不影响推理速度。
url=https://github.com/lonePatient/albert_pytorch
branch=master
commit_id=46de9ec输入输出数据
输入数据
输入数据 数据类型 大小 数据排布格式 input_ids INT64 batchsize x seq_len ND attention_mask INT64 batchsize x seq_len ND token_type_ids INT64 batchsize x seq_len ND 说明：该模型默认的seq_len为128
输出数据
输出数据 大小 数据类型 数据排布格式 output batch_size x class FLOAT32 ND
推理环境准备[所有版本]
该模型需要以下插件与驱动
表 1 版本配套表
| 配套 | 版本 | 环境准备指导 |
|---|---|---|
| 固件与驱动 | 1.0.17 | Pytorch框架推理环境准备 |
| CANN | 6.0.RC1 | - |
| Python | 3.7.5 | - |
| PyTorch | 1.11.0 | - |
| 说明：Atlas 300I Duo 推理卡请以CANN版本选择实际固件与驱动版本。 | \ | \ |
快速上手
可参考实现 https://gitee.com/ascend/ModelZoo-PyTorch/tree/master/ACL_PyTorch/contrib/nlp/albert
获取源码
获取源码。
git clone https://gitee.com/ascend/ModelZoo-PyTorch.git # 克隆仓库的代码 git checkout master # 切换到对应分支 cd ACL_PyTorch/contrib/nlp/albert # 切换到模型的代码仓目录安装依赖。
pip3 install -r requirements_for_infer.txt git clone https://gitee.com/ascend/msadvisor && cd msadvisor && git checkout master cd auto-optimizer && python3 -m pip install . cd ../..获取开源代码仓。 在已下载的源码包根目录下，执行如下命令。
git clone https://github.com/lonePatient/albert_pytorch.git cd albert_pytorch git checkout 46de9ec patch -p1 < ../albert.patch cd ../
准备数据集
获取原始数据集。
本模型采用SST-2数据集，解压到
albert_pytorch/dataset/SST-2文件夹下数据目录结构请参考：
├──SST-2 ├──original/ ├──dev.tsv ├──train.tsv ├──test.tsv数据预处理。
数据预处理将原始数据集转换为模型输入的数据。该模型数据预处理需要加载模型，所以需要先下载权重文件：
获取预训练权重文件，并解压到albert_pytorch/prev_trained_model/albert_base_v2。
下载训练好的模型（提取码：mehp ）并解压到albert_pytorch/outputs/SST-2。
执行“Albert_preprocess.py”脚本，完成预处理。
python3 Albert_preprocess.py --pth_dir=./albert_pytorch/outputs/SST-2/ --data_dir=./albert_pytorch/dataset/SST-2/ --save_dir ./preprocessed_data_seq128 --max_seq_length 128参数说明：
--pth_dir: 模型权重所在路径
--data_dir：原始数据集所在路径
--save_dir: 预处理数据保存路径, 其中gt_label保存在
${save_dir}/label.npy--max_seq_length: 对应的seq长度，默认为128，支持：16/32/64/128
模型推理
模型转换。
使用PyTorch将模型权重文件.pth转换为.onnx文件，再使用ATC工具将.onnx文件转为离线推理模型文件.om文件。
获取权重文件。
数据预处理阶段已经完成模型权重下载。
导出onnx文件。
使用脚本导出onnx文件。
运行“Albert_pth2onnx.py”脚本。
# pth转换为ONNX，此处以seq128/bs32为例 python3 ./Albert_pth2onnx.py --batch_size=32 --pth_dir=./albert_pytorch/outputs/SST-2/ --data_dir=./albert_pytorch/datasets/SST-2/ --onnx_dir=./outputs/ --max_seq_length=128参数说明：
--batch_size: 导出模型batchsize。
--pth_dir：权重所在路径。
--data_dir: 数据集所在路径。
--onnx_dir: 输出onnx文件所在目录。
--max_seq_length: 模型对应seq，默认为128，支持：16/32/64/128。
获得outputs/albert_seq128_bs32.onnx文件。
优化ONNX文件。
# 以seq128/bs32为例 python3 -m onnxsim ./outputs/albert_seq128_bs32.onnx ./outputs/albert_seq128_bs32_sim.onnx python3 opt_onnx.py --input_file ./outputs/albert_seq128_bs32_sim.onnx --output_file ./outputs/albert_seq128_bs32_opt.onnx
使用ATC工具将ONNX模型转OM模型。
配置环境变量。
source /usr/local/Ascend/ascend-toolkit/set_env.sh说明： 该脚本中环境变量仅供参考，请以实际安装环境配置环境变量。详细介绍请参见《CANN 开发辅助工具指南 (推理)》。
执行命令查看芯片名称（${chip_name}）。
npu-smi info #该设备芯片名为Ascend910A （自行替换） 回显如下： +-------------------|-----------------|------------------------------------------------------+ | NPU Name | Health | Power(W) Temp(C) Hugepages-Usage(page) | | Chip Device | Bus-Id | AICore(%) Memory-Usage(MB) | +===================+=================+======================================================+ | 0 910A | OK | 15.8 42 0 / 0 | | 0 0 | 0000:82:00.0 | 0 1074 / 21534 | +===================+=================+======================================================+ | 1 910A | OK | 15.4 43 0 / 0 | | 0 1 | 0000:89:00.0 | 0 1070 / 21534 | +===================+=================+======================================================+执行ATC命令。
# 以seq128/bs32为例 atc --input_format=ND --framework=5 --model=./outputs/albert_seq128_bs32_opt.onnx --output=./outputs/albert_seq128_bs32 --log=error --soc_version=${chip_name} --input_shape="input_ids:32,128;attention_mask:32,128;token_type_ids:32,128" --optypelist_for_implmode="Gelu" --op_select_implmode=high_performance参数说明：
- --model：为ONNX模型文件。
- --framework：5代表ONNX模型。
- --output：输出的OM模型。
- --input_format：输入数据的格式。
- --input_shape：输入数据的shape。
- --log：日志级别。
- --soc_version：处理器型号。
- --optypelist_for_implmode：需要指定精度模式的算子。
- --op_select_implmode：特定算子需要采取的精度模式。
运行成功后生成albert_seq128_b32.om模型文件。
对于
seq16对应的模型，ATC命令有所区别，如下：# 以seq16/bs64为例 atc --input_format=ND --framework=5 --model=./outputs/albert_seq16_bs64_opt.onnx --output=./outputs/albert_seq16_bs64 --log=error --soc_version=${chip_name} --input_shape="input_ids:64,16;attention_mask:64,16;token_type_ids:64,16" --op_precision_mode=precision.ini额外参数说明：
- --op_precision_mode：算子精度模式配置输入。
开始推理验证。
安装ais_bench推理工具。
请访问ais_bench推理工具代码仓，根据readme文档进行工具安装。
执行推理。
# 以bs32为例 python3 -m ais_bench --model outputs/albert_seq128_bs32.om --input ./preprocessed_data_seq128/input_ids,./preprocessed_data_seq128/attention_mask,./preprocessed_data_seq128/token_type_ids --output results --output_dirname seq128_bs32 --outfmt NPY --batchsize 32参数说明：
- --model：om文件路径。
- --input：输入文件。
- --output：输出目录。
- --output_dirname：输出文件名。
- --device：NPU设备编号。
- --outfmt: 输出数据格式。
- --batchsize：推理模型对应的batchsize。
推理后的输出默认在当前目录outputs/seq128_bs32下。
精度验证。
调用Albert_postprocess.py脚本与数据集标签比对，获得Accuracy数据。
python3 Albert_postprocess.py --result_dir results/seq128_bs32 --label_path preprocessed_data_seq128/label.npy- 参数说明：
--result_dir：生成推理结果所在路径。 --label_path：GT label文件所在路径。
模型推理性能&精度
seq128对应的精度性能如下：
精度:
| device | ACC(seq128) |
|---|---|
| 基准 | 92.8% |
| 910A | 92.8% |
公网地址说明
代码涉及公网地址参考 public_address_statement.md