Transformers documentation
使用Trainer API进行超参数搜索
使用Trainer API进行超参数搜索
🤗 Transformers库提供了一个优化过的Trainer类，用于训练🤗 Transformers模型，相比于手动编写自己的训练循环，这更容易开始训练。Trainer提供了超参数搜索的API。本文档展示了如何在示例中启用它。
超参数搜索后端
Trainer 目前支持四种超参数搜索后端：optuna，raytune，wandb
在使用它们之前，您应该先安装它们作为超参数搜索后端。
pip install optuna/wandb/ray[tune]
如何在示例中启用超参数搜索
定义超参数搜索空间，不同的后端需要不同的格式。
对于optuna，请参阅optuna object_parameter，它类似于以下内容：
>>> def optuna_hp_space(trial):
... return {
... "learning_rate": trial.suggest_float("learning_rate", 1e-6, 1e-4, log=True),
... "per_device_train_batch_size": trial.suggest_categorical("per_device_train_batch_size", [16, 32, 64, 128]),
... }Optuna提供了多目标HPO。您可以在hyperparameter_search中传递direction参数，并定义自己的compute_objective以返回多个目标值。在hyperparameter_search中将返回Pareto Front（list[BestRun]），您应该参考test_trainer中的测试用例TrainerHyperParameterMultiObjectOptunaIntegrationTest。它类似于以下内容：
>>> best_trials = trainer.hyperparameter_search(
... direction=["minimize", "maximize"],
... backend="optuna",
... hp_space=optuna_hp_space,
... n_trials=20,
... compute_objective=compute_objective,
... )对于raytune，可以参考raytune的object_parameter，它类似于以下内容：
>>> def ray_hp_space(trial):
... return {
... "learning_rate": tune.loguniform(1e-6, 1e-4),
... "per_device_train_batch_size": tune.choice([16, 32, 64, 128]),
... }对于wandb，可以参考wandb的object_parameter，它类似于以下内容：
>>> def wandb_hp_space(trial):
... return {
... "method": "random",
... "metric": {"name": "objective", "goal": "minimize"},
... "parameters": {
... "learning_rate": {"distribution": "uniform", "min": 1e-6, "max": 1e-4},
... "per_device_train_batch_size": {"values": [16, 32, 64, 128]},
... },
... }定义一个model_init函数并将其传递给[Trainer]，作为示例：
>>> def model_init(trial):
... return AutoModelForSequenceClassification.from_pretrained(
... model_args.model_name_or_path,
... config=config,
... cache_dir=model_args.cache_dir,
... revision=model_args.model_revision,
... )使用你的model_init函数、训练参数、训练和测试数据集以及评估函数创建一个Trainer。
>>> trainer = Trainer(
... model=None,
... args=training_args,
... train_dataset=small_train_dataset,
... eval_dataset=small_eval_dataset,
... compute_metrics=compute_metrics,
... processing_class=tokenizer,
... model_init=model_init,
... data_collator=data_collator,
... )调用超参数搜索，获取最佳试验参数，后端可以是"optuna"/"wandb"/"ray"。方向可以是"minimize"或"maximize"，表示是否优化更大或更低的目标。
您可以定义自己的compute_objective函数，如果没有定义，将调用默认的compute_objective，并将评估指标（如f1）之和作为目标值返回。
>>> best_trial = trainer.hyperparameter_search(
... direction="maximize",
... backend="optuna",
... hp_space=optuna_hp_space,
... n_trials=20,
... compute_objective=compute_objective,
... )针对DDP微调的超参数搜索
目前，Optuna已启用针对DDP的超参数搜索。只有rank-zero进程会进行超参数搜索并将参数传递给其他进程。
Update on GitHub