概述

简述

data2vec 是首个适用于多模态的高性能自监督算法。Meta AI 将 data2vec 分别应用于语音、图像和文本，在计算机视觉、语音任务上优于最佳单一用途算法，并且在 NLP 任务也能取得具有竞争力的结果。此外，data2vec 还代表了一种新的、全面的自监督学习范式，其提高了多种模态的进步，而不仅仅是一种模态。data2vec 不依赖对比学习或重建输入示例，除了帮助加速 AI 的进步，data2vec 让我们更接近于制造能够无缝地了解周围世界不同方面的机器。

• 参考实现：

  url=https://github.com/facebookresearch/fairseq/tree/main/examples/data2vec
  commit_id=3f6ba43f07a6e9e2acf957fc24e57251a7a3f55c

• 适配昇腾 AI 处理器的实现：

  url=https://gitee.com/ascend/ModelZoo-PyTorch.git
  code_path=PyTorch/built-in/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	-

• 环境准备指导。

  请参考《Pytorch框架训练环境准备》。

• 安装依赖。

  pip uninstall fairseq
  pip install -e ./
  pip install -r requirements.txt

准备数据集

1. 获取数据集。

   用户自行下载wikitext-103-raw-v1.zip数据集。参考examples/roberta/README.pretraining.md中的介绍进行数据集预处理。 数据集目录结构参考如下所示。

   $data_path
   ├── dict.txt
   ├── preprocess.log
   ├── test.bin
   ├── test.idx
   ├── train.bin
   ├── train.idx
   ├── valid.bin
   └── valid.idx

   说明： 该数据集的训练过程脚本只作为一种参考示例。

开始训练

训练模型

1. 进入解压后的源码包根目录。

   cd /${模型文件夹名称} 

2. 运行训练脚本。

   该模型支持单机单卡训练。

   • 单机单卡训练

     启动单卡训练

     bash ./test/train_full_1p.sh --data_path=$data_path  # 单卡精度
     bash ./test/train_performance_1p.sh --data_path=$data_path  # 单卡性能

   • 单机单卡评测

     启动单卡评测

     bash ./test/train_eval_1p.sh --data_path=$data_path --checkpoint_path=$checkpoint_path  # 单卡评测

   模型训练脚本参数说明如下。

   公共参数：
   --task.data                                     //数据集路径
   --distributed_training.distributed_world_size   //训练设备数量
   --optimization.max_update                       //优化器最大更新次数
   --config-dir                                    //配置文件路径
   --config-name                                   //配置文件名称

   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	wer	FPS	Epochs	AMP_Type	Torch_Version
1P-竞品V	-	-	-	-	1.8
1P-NPU	-	-	-	-	1.8

版本说明

变更

2023.05.30：首次发布。

FAQ

无。