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。

將 SageMaker 智慧篩分套用至 Hugging Face Transformer 指令碼

有兩種方法可以實作 SageMaker 智慧篩選至轉換器Trainer類別。

簡單設定

將 SageMaker 智慧篩分實作至轉換器Trainer類別的最簡單方法是使用 enable_sifting函數。此函數接受現有Trainer物件，並使用 包裝現有DataLoader物件SiftingDataloader。您可以繼續使用相同的訓練項目。請參閱下列範例用量。

from smart_sifting.integrations.trainer import enable_sifting
from smart_sifting.loss.abstract_sift_loss_module import Loss
from smart_sifting.sift_config.sift_configs import (
    RelativeProbabilisticSiftConfig
    LossConfig
    SiftingBaseConfig
)

class SiftingImplementedLoss(Loss):
   def loss(self, model, transformed_batch, original_batch):
        loss_fct = MSELoss(reduction="none") # make sure to set reduction to "none"
        logits = model.bert(**original_batch)
        return loss_fct(logits, original_batch.get("labels"))

sift_config = RelativeProbabilisticSiftConfig(
    beta_value=0.5,
    loss_history_length=500,
    loss_based_sift_config=LossConfig(
         sift_config=SiftingBaseConfig(sift_delay=0)
    )
)

trainer = Trainer(...)
enable_sifting(trainer, sift_config, loss=SiftingImplementedLoss()) # updates the trainer with Sifting Loss and config
trainer.train()

SiftingDataloader 類別是可重複的資料載入器。由於在篩選期間隨機取樣，因此預先不知道產生的資料集的確切大小。因此，Hugging Face Trainer預期max_steps訓練引數 。請注意，此引數會覆寫 epoch 組態參數 num_train_epochs。如果您的原始資料載入器也可以迭代，或您的訓練使用 max_steps和單一 epoch，則 會SiftingDataloader執行與現有資料載入器相同的 。如果原始資料載入器無法迭代或未max_steps提供，Hugging Face Trainer 可能會擲回類似下列的錯誤訊息。

args.max_steps must be set to a positive value if dataloader does not have a length,
was -1

為了解決此問題，enable_sifting函數提供選用set_epochs參數。這可使用 Trainer 類別的 num_train_epochs 引數提供的 epochs 數目來啟用 epochs 訓練，並將 max_steps 設定為最大系統整數，讓訓練能夠持續進行，直到指定的 epoch 完成為止。

自訂設定

若要自訂整合 SageMaker 智慧篩選資料載入器，您可以使用自訂 Hugging Face Trainer類別。在任何 子類別內Trainer，get_train_dataloader()函數都可以覆寫，以改為傳回SiftingDataloader類別的物件。對於具有現有自訂訓練台的案例，此方法可能較不具侵入性，但需要變更程式碼，而非簡單的設定選項。以下是 SageMaker 智慧篩選成自訂 Hugging Face Trainer類別的範例實作。

from smart_sifting.sift_config.sift_configs import (
    RelativeProbabilisticSiftConfig
    LossConfig
    SiftingBaseConfig
)
from smart_sifting.dataloader.sift_dataloader import SiftingDataloader
from smart_sifting.loss.abstract_sift_loss_module import Loss
from smart_sifting.data_model.data_model_interface import SiftingBatch, SiftingBatchTransform
from smart_sifting.data_model.list_batch import ListBatch

class SiftingListBatchTransform(SiftingBatchTransform):
    def transform(self, batch: Any):
        inputs = batch[0].tolist()
        labels = batch[-1].tolist()  # assume the last one is the list of labels
        return ListBatch(inputs, labels)

    def reverse_transform(self, list_batch: ListBatch):
        a_batch = [torch.tensor(list_batch.inputs), torch.tensor(list_batch.labels)]
        return a_batch

class SiftingImplementedLoss():
    # You should add the following initializaztion function 
    # to calculate loss per sample, not per batch.
    def __init__(self):
        self.celoss = torch.nn.CrossEntropyLoss(reduction='none')

    def loss(
        self,
        model: torch.nn.Module,
        transformed_batch: SiftingBatch,
        original_batch: Any = None,
    ) -> torch.Tensor:
        device = next(model.parameters()).device
        batch = [t.to(device) for t in original_batch]

        # compute loss
        outputs = model(batch)
        return self.celoss(outputs.logits, batch[2])

class SiftingImplementedTrainer(Trainer):
    def get_train_dataloader(self):
        dl = super().get_train_dataloader()

        sift_config = RelativeProbabilisticSiftConfig(
            beta_value=0.5,
            loss_history_length=500,
            loss_based_sift_config=LossConfig(
                sift_config=SiftingBaseConfig(sift_delay=0)
            )
        )

        return SiftingDataloader(
                sift_config=sift_config,
                orig_dataloader=dl,
                batch_transforms=SiftingListBatchTransform(),
                loss_impl=SiftingImplementedLoss(),
                model=self.model
        )

使用包裝的Trainer類別，建立物件，如下所示。

trainer = SiftingImplementedTrainer(
    model=model,
    args=training_args,
    train_dataset=small_train_dataset,
    eval_dataset=small_eval_dataset
)

trainer.train()