2025年预训练模型微调（预训练模型微调流程）

提供了一个类，处理微调在数据集上提供的任何预训练模型。完成所有数据预处理工作后，只需执行几个步骤即可定义 Trainer。最困难的部分可能是准备运行的环境，因为它在 CPU 上运行速度非常慢。如果没有设置 GPU，可以在 Google Colab 上访问免费的 GPU 或 TPU。
下面的代码示例假设已经完成了数据预处理的操作：

map函数与DataCollatorWithPadding函数请查阅：Processing the data

Traning(训练)

定义之前的第一步是定义一个类，该类将包含用于训练和评估的所有超参数。必须提供的唯一参数是保存训练模型的目录以及checkpoint。对于其余所有内容，可以保留默认值，这对于基本的微调应该非常有效。

第二步是定义我们的模型。使用 AutoModelForSequenceClassification 类，它带有两个标签：

一旦我们有了模型，我们就可以通过传递迄今为止构建的所有对象来定义 —、、和、和：

要在数据集上微调模型，我们只需调用训练器的 train() 方法：

这将开始微调（在 GPU 上应该需要几分钟）并每 500 步报告一次训练损失。但是，它不会告诉你模型的表现有多好（或多差）。这是因为：

我们没有告诉训练器在训练期间通过将设置为“”（评估每个）或“”（在每个结束时评估）来进行评估。
我们没有为训练器提供函数来在所述评估期间计算指标（否则评估只会打印损失，这不是一个非常直观的数字）。

Evaluation(评估)

让我们看看如何构建一个有用的函数并在下次训练时使用它。该函数必须采用对象（这是一个带有预测字段和 label_ids 字段的命名元组），并将返回一个将字符串映射到浮点数的字典（字符串是返回的指标的名称，浮点数是它们的值）。为了从我们的模型中获得一些预测，我们可以使用方法：

方法的输出是另一个具有三个字段的命名元组：预测、label_ids 和指标。指标字段将仅包含传递的数据集的损失，以及一些时间指标（预测所需的总时间和平均时间）。一旦我们完成了函数并将其传递给Trainer，该字段还将包含返回的指标。
结果所展示的预测是一个形状为 408 x 2 的二维数组（408 是我们使用的数据集中的元素数量）。这些是我们传递给的数据集每个元素的logits。为了将它们转换为可以与标签进行比较的预测，我们需要在第二个轴上获取最大值的索引：

我们现在可以将这些预测与标签进行比较。为了构建我们的函数，我们将依赖于HuggingFace Evaluate库中的指标。我们可以像加载数据集一样轻松地加载与 MRPC 数据集关联的指标，这次使用函数。返回的对象有一个方法，我们可以用它来进行度量计算：

获得的确切结果可能会有所不同，因为部分的随机初始化可能会改变它实现的指标。在这里，我们可以看到我们的模型在验证集上的准确率为 85.78%，F1 得分为 89.97。这些是用于评估 GLUE 基准的 MRPC 数据集结果的两个指标。 BERT 论文中的表格报告了基本模型的 F1 分数为 88.9，这是非case的模型，而我们目前使用的是case的模型，这解释了更好的结果。
将所有内容包装在一起，我们得到了函数：

为了查看它在每个epoch结束时报告指标的实际使用情况，下面是我们如何使用这个函数定义一个新的:

请注意，我们创建了一个新的，其评估策略设置为“”和一个新模型 - 否则，我们将继续训练已经训练过的模型。要启动新的训练运行，我们执行：

这次，除了训练损失之外，它将在每个时期结束时报告验证损失和指标。同样，由于模型的Model Head初始化，你达到的确切准确度/F1 分数可能与我们发现的有所不同，但它应该处于相同的范围内。
Trainer 将在多个 GPU 或 TPU 上开箱即用，并提供许多选项，例如混合精度训练（在训练参数中使用 fp16 = True）。

感谢你们的阅读和喜欢，我收藏了很多技术干货，可以共享给喜欢我文章的朋友们，如果你肯花时间沉下心去学习，它们一定能帮到你。

因为这个行业不同于其他行业，知识体系实在是过于庞大，知识更新也非常快。作为一个普通人，无法全部学完，所以我们在提升技术的时候，首先需要明确一个目标，然后制定好完整的计划，同时找到好的学习方法，这样才能更快的提升自己。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【】

一、全套AGI大模型学习路线

AI大模型时代的学习之旅：从基础到前沿，掌握人工智能的核心技能！

二、640套AI大模型报告合集

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

三、AI大模型经典PDF籍

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。那以下这些PDF籍就是非常不错的学习资源。

四、AI大模型商业化落地方案

我们学习AI大模型必然是想找到高薪的工作，下面这些面试题都是总结当前最新、最热、最高频的面试题，并且每道题都有详细的答案，面试前刷完这套面试题资料，小小offer，不在话下。
在这里插入图片描述