支援 Hugging Face 轉換器模型 - Amazon SageMaker AI
開箱即用的支援模型

本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。

支援 Hugging Face 轉換器模型

SageMaker 模型平行處理程式庫的張量平行處理針對下列 Hugging Face 轉換器模型提供立即可用支援：

  • GPT-2、BERT 與 RoBERTa (適用 SageMaker 模型平行處理程式庫 v1.7.0 及更高版本)

  • GPT-J (適用 SageMaker 模型平行處理程度程式庫 v1.8.0 及更高版本)

  • GPT-NEO (適用 SageMaker 模型平行處理程式庫 v1.10.0 及更高版本)

注意

對於任何其他轉換器模型，您需要使用 smdistributed.modelparallel.torch.tp_register_with_module() API 來套用張量平行處理。

注意

若要使用張量平行處理來訓練 Hugging Face 轉換器模型，請確定您使用 Hugging Face Deep Learning Containers (適用於具 SageMaker 模型平行處理程式庫 v1.7.0 及更高版本的 PyTorch)。如需更多資訊，請參閱 SageMaker 模型平行處理程式庫版本備註。

開箱即用的支援模型

對於開箱即用程式庫支援的 Hugging Face 轉換器模型，您不需要手動實作勾點，即可將轉換器 API 翻譯為 smdistributed 轉換器層。您可以透過使用內容管理器 smdistributed.modelparallel.torch.tensor_parallelism() 來啟用張量平行處理，並利用 smdistributed.modelparallel.torch.DistributedModel() 來包裝模型。您不需要使用 smp.tp_register API 手動註冊張量平行處理的勾點。

Hugging Face 轉換器之間與 smdistributed.modelparallel 之間的 state_dict 平移函式可按如下方式存取。

  • smdistributed.modelparallel.torch.nn.huggingface.gpt2.translate_state_dict_to_hf_gpt2(state_dict, max_seq_len=None)

  • smdistributed.modelparallel.torch.nn.huggingface.gpt2.translate_hf_state_dict_to_smdistributed_gpt2(state_dict)

  • smdistributed.modelparallel.torch.nn.huggingface.bert.translate_state_dict_to_hf_bert(state_dict, max_seq_len=None)

  • smdistributed.modelparallel.torch.nn.huggingface.bert.translate_hf_state_dict_to_smdistributed_bert(state_dict)

  • smdistributed.modelparallel.torch.nn.huggingface.roberta.translate_state_dict_to_hf_roberta(state_dict, max_seq_len=None)

  • smdistributed.modelparallel.torch.nn.huggingface.roberta.translate_hf_state_dict_to_smdistributed_roberta(state_dict)

  • smdistributed.modelparallel.torch.nn.huggingface.gptj.translate_state_dict_to_hf_gptj(state_dict, max_seq_len=None)(適用 SageMaker 模型平行處理程式庫 v1.8.0 及更高版本)

  • smdistributed.modelparallel.torch.nn.huggingface.gptj.translate_hf_gptj_state_dict_to_smdistributed_gptj(適用 SageMaker 模型平行處理程式庫 v1.8.0 及更高版本)

  • smdistributed.modelparallel.torch.nn.huggingface.gptneo.translate_state_dict_to_hf_gptneo(state_dict, max_seq_len=None)(適用 SageMaker 模型平行處理程式庫 v1.10.0 及更高版本)

  • smdistributed.modelparallel.torch.nn.huggingface.gptneo.translate_hf_state_dict_to_smdistributed_gptneo(state_dict)(適用 SageMaker 模型平行處理程式庫 v1.10.0 及更高版本)

GPT-2 平移函式使用範例

從包裝模型開始，如下列程式碼所示。

from transformers import AutoModelForCausalLM

with smp.tensor_parallelism():
    model = AutoModelForCausalLM.from_config(hf_gpt2_config)

model = smp.DistributedModel(model)

指定來自 DistributedModel 物件的 state_dict，您可以使用下方所示程式碼的 translate_state_dict_to_hf_gpt2 功能載入權重至原始 Hugging Face GPT-2 模型。

from smdistributed.modelparallel.torch.nn.huggingface.gpt2 \
                                      import translate_state_dict_to_hf_gpt2
max_seq_len = 1024

# [... code block for training ...]

if smp.rdp_rank() == 0:
    state_dict = dist_model.state_dict()
    hf_state_dict = translate_state_dict_to_hf_gpt2(state_dict, max_seq_len)

    # can now call model.load_state_dict(hf_state_dict) to the original HF model

RoBERTa 平移函式使用範例

同樣地，指定支援的 HuggingFace 模型 state_dict，您可以透過 translate_hf_state_dict_to_smdistributed 函式將其轉換為 smp.DistributedModel 可讀取的格式。這在轉移學習使用案例很有用，其中將預先訓練模型載入 smp.DistributedModel 以便進行模型平行微調：

from smdistributed.modelparallel.torch.nn.huggingface.roberta \
                                      import translate_state_dict_to_smdistributed

model = AutoModelForMaskedLM.from_config(roberta_config)
model = smp.DistributedModel(model)

pretrained_model = AutoModelForMaskedLM.from_pretrained("roberta-large")
translated_state_dict =
        translate_state_dict_to_smdistributed(pretrained_model.state_dict())

# load the translated pretrained weights into the smp.DistributedModel
model.load_state_dict(translated_state_dict)

# start fine-tuning...