使用拥抱面变压器只保存最佳重量

Question

目前，我正在构建一个新的基于 Transformer 的模型，其中包含抱脸变压器，其中注意力层与原来的不同。我使用run_glue.py 来检查我的模型在 GLUE 基准测试中的性能。但是，我发现Huggingface-transformers的Trainer类保存了我设置的所有检查点，我可以在其中设置要保存的最大检查点数。但是，我只想在验证数据集上保存具有 best 性能的权重（或其他东西，如优化器），而当前的 Trainer 类似乎没有提供这样的东西。 （如果我们设置检查点的最大数量，那么它会删除旧的检查点，而不是性能较差的检查点）。 Someone already asked about same question on Github，但我不知道如何修改脚本并做我想做的事。目前，我正在考虑制作一个自定义 Trainer 类，它继承原始类并更改 train() 方法，如果有一种简单易行的方法来做到这一点，那就太好了。提前致谢。

Answer 1

你可以在拥抱脸的训练师那里尝试以下参数

training_args = TrainingArguments(
    output_dir='/content/drive/results',          # output directory
    do_predict= True, 
    num_train_epochs=3,              # total number of training epochs
    **per_device_train_batch_size=4,  # batch size per device during training
    per_device_eval_batch_size=2**,   # batch size for evaluation
    warmup_steps=1000,                # number of warmup steps for learning rate  
    save_steps=1000,
    save_total_limit=10,
    load_best_model_at_end= True,
    weight_decay=0.01,               # strength of weight decay
    logging_dir='./logs',            # directory for storing logs
    logging_steps=0, evaluate_during_training=True)

可能有更好的方法来避免过多的检查点并选择最佳模型。 到目前为止，您不能只保存最佳模型，而是检查评估何时产生比前一个更好的结果。

Answer 2

我还没有看到任何参数。但是，有一个解决方法。

使用以下组合

    evaluation_strategy =‘steps’,
    eval_steps = 10, # Evaluation and Save happens every 10 steps
    save_total_limit = 5, # Only last 5 models are saved. Older ones are deleted.
    load_best_model_at_end=True,

当我尝试使用上述组合时，任何时候都会将 5 个以前的模型保存在输出目录中，但如果最好的模型不是其中之一，它也会保留最好的模型。所以它将是 1 + 5 个模型。您可以更改 save_total_limit = 1 以达到您的目的

Answer 3

This 回答可能有用

training_args = TrainingArguments(
    output_dir=repo_name,
    group_by_length=True,
    length_column_name='input_length',
    per_device_train_batch_size=24,
    gradient_accumulation_steps=2,
    evaluation_strategy="steps",
    num_train_epochs=20,
    fp16=True,
    save_steps=1000,
    save_strategy='steps', # we cannot set it to "no". Otherwise, the model cannot guess the best checkpoint.
    eval_steps=1000,
    logging_steps=1000,
    learning_rate=5e-5,
    warmup_steps=500,
    save_total_limit=3,
    load_best_model_at_end = True # this will let the model save the best checkpoint
)

Answer 4

This 应该有助于您将当前验证准确度与最佳验证准确度进行比较，然后保存最佳模型。