# 基于MindSpore通过GPT实现情感分类

# 捕获输出信息
%%capture captured_output

# 卸载当前版本的mindspore并安装指定版本
!pip uninstall mindspore -y  # 卸载已有的mindspore
!pip install -i https://pypi.mirrors.ustc.edu.cn/simple mindspore==2.2.14  # 安装指定版本的mindspore

# 安装mindnlp和jieba库
!pip install mindnlp  # 安装mindnlp库
!pip install jieba  # 安装jieba用于中文分词
%env HF_ENDPOINT=https://hf-mirror.com  # 设置环境变量

# 导入必要的库
import os
import mindspore  # 导入mindspore库
from mindspore.dataset import text, GeneratorDataset, transforms  # 导入数据集相关模块
from mindspore import nn  # 导入神经网络模块
from mindnlp.dataset import load_dataset  # 导入mindnlp的数据集加载函数

from mindnlp._legacy.engine import Trainer, Evaluator  # 导入训练和评估类
from mindnlp._legacy.engine.callbacks import CheckpointCallback, BestModelCallback  # 导入回调函数类
from mindnlp._legacy.metrics import Accuracy  # 导入准确率指标

# 加载IMDB情感分类数据集
imdb_ds = load_dataset('imdb', split=['train', 'test'])  # 加载IMDB数据集
imdb_train = imdb_ds['train']  # 训练集
imdb_test = imdb_ds['test']  # 测试集
imdb_train.get_dataset_size()  # 获取训练集大小

import numpy as np  # 导入numpy库

# 数据集处理函数
def process_dataset(dataset, tokenizer, max_seq_len=512, batch_size=4, shuffle=False):
    is_ascend = mindspore.get_context('device_target') == 'Ascend'  # 判断设备是否为Ascend

    # 定义分词函数
    def tokenize(text):
        if is_ascend:
            tokenized = tokenizer(text, padding='max_length', truncation=True, max_length=max_seq_len)  # 对文本进行分词并填充
        else:
            tokenized = tokenizer(text, truncation=True, max_length=max_seq_len)  # 对文本进行分词
        return tokenized['input_ids'], tokenized['attention_mask']  # 返回输入ID和注意力掩码

    if shuffle:
        dataset = dataset.shuffle(batch_size)  # 打乱数据集

    # 映射数据集
    dataset = dataset.map(operations=[tokenize], input_columns="text", output_columns=['input_ids', 'attention_mask'])  # 对文本进行分词
    dataset = dataset.map(operations=transforms.TypeCast(mindspore.int32), input_columns="label", output_columns="labels")  # 转换标签类型

    # 批量处理数据集
    if is_ascend:
        dataset = dataset.batch(batch_size)  # 对数据集进行批量处理
    else:
        dataset = dataset.padded_batch(batch_size, pad_info={'input_ids': (None, tokenizer.pad_token_id),  # 填充批次
                                                             'attention_mask': (None, 0)})

    return dataset  # 返回处理后的数据集

from mindnlp.transformers import GPTTokenizer  # 导入GPT分词器

# 初始化分词器
gpt_tokenizer = GPTTokenizer.from_pretrained('openai-gpt')  # 从预训练模型加载分词器

# 添加特殊token
special_tokens_dict = {
    "bos_token": "<bos>",  # 开始标记
    "eos_token": "<eos>",  # 结束标记
    "pad_token": "<pad>",  # 填充标记
}
num_added_toks = gpt_tokenizer.add_special_tokens(special_tokens_dict)  # 添加特殊token到分词器

# 将训练集分为训练集和验证集
imdb_train, imdb_val = imdb_train.split([0.7, 0.3])  # 分割训练集为训练和验证集
dataset_train = process_dataset(imdb_train, gpt_tokenizer, shuffle=True)  # 处理训练集
dataset_val = process_dataset(imdb_val, gpt_tokenizer)  # 处理验证集
dataset_test = process_dataset(imdb_test, gpt_tokenizer)  # 处理测试集
next(dataset_train.create_tuple_iterator())  # 获取训练集的一个批次

from mindnlp.transformers import GPTForSequenceClassification  # 导入GPT序列分类模型
from mindspore.experimental.optim import Adam  # 导入Adam优化器

# 设置模型配置并定义训练参数
model = GPTForSequenceClassification.from_pretrained('openai-gpt', num_labels=2)  # 加载GPT分类模型
model.config.pad_token_id = gpt_tokenizer.pad_token_id  # 设置填充token ID
model.resize_token_embeddings(model.config.vocab_size + 3)  # 调整词汇表大小以包含特殊token

optimizer = nn.Adam(model.trainable_params(), learning_rate=2e-5)  # 定义优化器

metric = Accuracy()  # 定义准确率指标

# 定义回调以保存模型检查点
ckpoint_cb = CheckpointCallback(save_path='checkpoint', ckpt_name='gpt_imdb_finetune', epochs=1, keep_checkpoint_max=2)  # 检查点回调
best_model_cb = BestModelCallback(save_path='checkpoint', ckpt_name='gpt_imdb_finetune_best', auto_load=True)  # 最佳模型回调

# 初始化训练器
trainer = Trainer(network=model, train_dataset=dataset_train,
                  eval_dataset=dataset_train, metrics=metric,
                  epochs=1, optimizer=optimizer, callbacks=[ckpoint_cb, best_model_cb],
                  jit=False)  # 创建训练器
trainer.run(tgt_columns="labels")  # 运行训练

# 初始化评估器
evaluator = Evaluator(network=model, eval_dataset=dataset_test, metrics=metric)  # 创建评估器
evaluator.run(tgt_columns="labels")  # 运行评估

代码解析

1. 环境设置与库的安装：
   • 卸载已有的 mindspore 版本并安装指定的2.2.14版本。
   • 安装 mindnlp 和 jieba 等必要的库。
2. 数据集加载：
   • 使用 load_dataset 函数从 mindnlp 加载 IMDB 数据集，并分别获取训练集和测试集。
3. 数据预处理：
   • process_dataset 函数用于分词、标签转换和批量处理，最终返回可以用于训练的数据集。
4. 分词器配置：
   • 使用 GPTTokenizer 从预训练模型加载分词器，并添加特殊的开始、结束和填充标记。
5. 数据集划分：
   • 将训练集划分为训练集和验证集，并使用处理函数进行处理。
6. 模型和优化器定义：
   • 加载基于GPT的序列分类模型，并定义Adam优化器和准确率指标。
7. 训练与评估：
   • 使用 Trainer 类进行模型训练，并使用 Evaluator 类在测试集上进行评估。设置了检查点回调函数以保存模型状态。