使用 Gemma 展示靈活的安全分類器

1. 總覽

本程式碼研究室將說明如何使用參數有效調整 (PET) 建立自訂文字分類器。PET 方法只會更新少量的參數，因此訓練速度相對簡單、快速，不會微調整個模型。也能讓模型在訓練資料相對較少的情況下學習新行為。如要進一步瞭解方法，請參閱「適合所有人的靈活文字分類器」一文，當中說明這些技術如何應用於各種安全任務，並透過數百個訓練樣本實現最先進的成效。

本程式碼研究室會使用 LoRA PET 方法和較小的 Gemma 模型 (gemma_instruct_2b_en)，因為這麼做可以提升執行速度和效率。Colab 會說明擷取資料步驟、為 LLM 設定資料格式、訓練 LoRA 權重，然後評估成效。本程式碼研究室會使用 ETHOS 資料集進行訓練。這是一個用於偵測仇恨言論的公開資料集，並以 YouTube 和 Reddit 留言為基礎。如果只用 200 個範例 (資料集的 1/4) 訓練，模型就會達到 F1：0.80 和 ROC-AUC：0.78，略高於目前報告的排行榜報告的 SOTA (在撰寫當下，2024 年 2 月 15 日)。完整訓練 800 個範例後，F1 獲得 83.74 分，ROC-AUC 得分為 88.17。一般來說，gemma_instruct_7b_en 等較大型的模型會有更佳的成效，但訓練和執行成本也較高。

觸發警告：因為本程式碼研究室開發的安全分類器，用於偵測仇恨言論、例子和評估結果，其中包含一些可怕的用語。

2. 安裝和設定

在這個程式碼研究室中，您需要最新版的 keras (3)、keras-nlp (0.8.0) 和 Kaggle 帳戶，才能下載基礎模型。

!pip install -q -U keras-nlp
!pip install -q -U keras

如要登入 Kaggle，可以在 ~/.kaggle/kaggle.json 中儲存 kaggle.json 憑證檔案，或在 Colab 環境中執行下列指令：

import kagglehub

kagglehub.login()

3. 載入 ETHOS 資料集

在本節中，您將載入用於訓練分類器的資料集，並預先處理為訓練集和測試集。你會使用熱門的研究資料集 ETHOS，這是為了偵測社群媒體中的仇恨言論。如要進一步瞭解資料集的收集方式，請參閱《ETHOS: an Online Hate Speech Detection Dataset》(ETHOS：線上仇恨言論偵測資料集) 白皮書。

import pandas as pd

gh_root = 'https://raw.githubusercontent.com'
gh_repo = 'intelligence-csd-auth-gr/Ethos-Hate-Speech-Dataset'
gh_path = 'master/ethos/ethos_data/Ethos_Dataset_Binary.csv'
data_url = f'{gh_root}/{gh_repo}/{gh_path}'

df = pd.read_csv(data_url, delimiter=';')
df['hateful'] = (df['isHate'] >= df['isHate'].median()).astype(int)

# Shuffle the dataset.
df = df.sample(frac=1, random_state=32)

# Split into train and test.
df_train, df_test = df[:800],  df[800:]

# Display a sample of the data.
df.head(5)[['hateful', 'comment']]

您會看見類似下方的內容：

	標籤	則留言
0	0	You said he but still not convinced this is a ...
1	0	well, looks like its time to have another child.
2	0	What if we send every men to mars to start a n...
3	1	It doesn't matter if you're black or white, ...
4	0	Who ever disliked this video should be ashamed...

4. 下載模型並例項化

如這份說明文件所述，您可以透過多種方式輕鬆使用 Gemma 模型。使用 Keras 時，您需要完成以下事項：

import keras
import keras_nlp

# For reproducibility purposes.
keras.utils.set_random_seed(1234)

# Download the model from Kaggle using Keras.
model = keras_nlp.models.GemmaCausalLM.from_preset('gemma_instruct_2b_en')

# Set the sequence length to a small enough value to fit in memory in Colab.
model.preprocessor.sequence_length = 128

您可以產生一些文字來測試模型是否正常運作：

model.generate('Question: what is the capital of France? ', max_length=32)

5. 文字預先處理和分隔符權杖

為協助模型進一步瞭解我們的意圖，您可以預先處理文字並使用分隔符權杖。如此一來，模型產生的文字可能就不會超過預期格式。舉例來說，您可以嘗試輸入類似以下的提示，向模型要求情緒分類：

Classify the following text into one of the following classes:[Positive,Negative]

Text: you look very nice today
Classification:

在這種情況下，模型不一定會輸出你要尋找的內容。舉例來說，如果文字含有換行字元，模型成效可能會因此下降。建議您採用分隔符權杖。提示隨後會變成：

Classify the following text into one of the following classes:[Positive,Negative]
<separator>
Text: you look very nice today
<separator>
Prediction:

您可以使用預先處理文字的函式來提取這個字串：

def preprocess_text(
    text: str,
    labels: list[str],
    instructions: str,
    separator: str,
) -> str:
  prompt = f'{instructions}:[{",".join(labels)}]'
  return separator.join([prompt, f'Text:{text}', 'Prediction:'])

現在，如果您使用和先前相同的提示和文字執行函式，應該會得到相同的輸出內容：

text = 'you look very nice today'

prompt = preprocess_text(
    text=text,
    labels=['Positive', 'Negative'],
    instructions='Classify the following text into one of the following classes',
    separator='\n<separator>\n',
)

print(prompt)

輸出內容應會如下所示：

Classify the following text into one of the following classes:[Positive,Negative]
<separator>
Text:well, looks like its time to have another child
<separator>
Prediction:

6. 輸出後續處理

模型的輸出內容是有多種機率的符記。一般而言，如要產生文字，您必須先選取可能性最高的符記，然後建構句子、段落，甚至是完整文件。不過，就分類而言，實際上關鍵是模型認為 Positive 的可能性高於 Negative，反之亦然。

有鑑於您先前例項化的模型，您可以透過以下方式將其輸出內容處理為下一個符記為 Positive 還是 Negative 的獨立機率：

import numpy as np


def compute_output_probability(
    model: keras_nlp.models.GemmaCausalLM,
    prompt: str,
    target_classes: list[str],
) -> dict[str, float]:
  # Shorthands.
  preprocessor = model.preprocessor
  tokenizer = preprocessor.tokenizer

  # NOTE: If a token is not found, it will be considered same as "<unk>".
  token_unk = tokenizer.token_to_id('<unk>')

  # Identify the token indices, which is the same as the ID for this tokenizer.
  token_ids = [tokenizer.token_to_id(word) for word in target_classes]

  # Throw an error if one of the classes maps to a token outside the vocabulary.
  if any(token_id == token_unk for token_id in token_ids):
    raise ValueError('One of the target classes is not in the vocabulary.')

  # Preprocess the prompt in a single batch. This is done one sample at a time
  # for illustration purposes, but it would be more efficient to batch prompts.
  preprocessed = model.preprocessor.generate_preprocess([prompt])

  # Identify output token offset.
  padding_mask = preprocessed["padding_mask"]
  token_offset = keras.ops.sum(padding_mask) - 1

  # Score outputs, extract only the next token's logits.
  vocab_logits = model.score(
      token_ids=preprocessed["token_ids"],
      padding_mask=padding_mask,
  )[0][token_offset]

  # Compute the relative probability of each of the requested tokens.
  token_logits = [vocab_logits[ix] for ix in token_ids]
  logits_tensor = keras.ops.convert_to_tensor(token_logits)
  probabilities = keras.activations.softmax(logits_tensor)

  return dict(zip(target_classes, probabilities.numpy()))

如要測試該函式，請使用先前建立的提示執行：

compute_output_probability(
    model=model,
    prompt=prompt,
    target_classes=['Positive', 'Negative'],
)

這樣會輸出類似以下的內容：

{'Positive': 0.99994016, 'Negative': 5.984089e-05}

7. 全部納入分類器

為方便使用，您可以將您剛剛建立的所有函式納入類似 sklearn 的分類器，這個分類器中包含易於使用且熟悉的函式 (例如 predict() 和 predict_score())。

import dataclasses


@dataclasses.dataclass(frozen=True)
class AgileClassifier:
  """Agile classifier to be wrapped around a LLM."""

  # The classes whose probability will be predicted.
  labels: tuple[str, ...]

  # Provide default instructions and control tokens, can be overridden by user.
  instructions: str = 'Classify the following text into one of the following classes'
  separator_token: str = '<separator>'
  end_of_text_token: str = '<eos>'

  def encode_for_prediction(self, x_text: str) -> str:
    return preprocess_text(
        text=x_text,
        labels=self.labels,
        instructions=self.instructions,
        separator=self.separator_token,
    )

  def encode_for_training(self, x_text: str, y: int) -> str:
    return ''.join([
        self.encode_for_prediction(x_text),
        self.labels[y],
        self.end_of_text_token,
    ])

  def predict_score(
      self,
      model: keras_nlp.models.GemmaCausalLM,
      x_text: str,
  ) -> list[float]:
    prompt = self.encode_for_prediction(x_text)
    token_probabilities = compute_output_probability(
        model=model,
        prompt=prompt,
        target_classes=self.labels,
    )
    return [token_probabilities[token] for token in self.labels]

  def predict(
      self,
      model: keras_nlp.models.GemmaCausalLM,
      x_eval: str,
  ) -> int:
    return np.argmax(self.predict_score(model, x_eval))


agile_classifier = AgileClassifier(labels=('Positive', 'Negative'))

8. 模型微調

LoRA 代表低排名調整作業。這是一種微調技術，可用於有效率地微調大型語言模型。詳情請參閱《LoRA: Low Rank Adaptation of Large Language Models》文件。

Gemma 的 Keras 實作提供 enable_lora() 方法，可讓您用來微調：

# Enable LoRA for the model and set the LoRA rank to 4.
model.backbone.enable_lora(rank=4)

啟用 LoRA 後，即可開始微調程序。每次執行 Colab 時，每個週期大約需要 5 分鐘的時間：

import tensorflow as tf

# Create dataset with preprocessed text + labels.
map_fn = lambda xy: agile_classifier.encode_for_training(*xy)
x_train = list(map(map_fn, df_train[['comment', 'hateful']].values))
ds_train = tf.data.Dataset.from_tensor_slices(x_train).batch(2)

# Compile the model using the Adam optimizer and appropriate loss function.
model.compile(
    loss=keras.losses.SparseCategoricalCrossentropy(from_logits=True),
    optimizer=keras.optimizers.Adam(learning_rate=0.0005),
    weighted_metrics=[keras.metrics.SparseCategoricalAccuracy()],
)

# Begin training.
model.fit(ds_train, epochs=4)

訓練更多訓練週期可提高準確度，直到過度配適為止。

9. 檢查結果

現在，您可以檢查剛才訓練的敏捷分類器輸出內容。這個程式碼會根據一段文字輸出預測的類別分數：

text = 'you look really nice today'
scores = agile_classifier.predict_score(model, text)
dict(zip(agile_classifier.labels, scores))

{'Positive': 0.99899644, 'Negative': 0.0010035498}

10. 模型評估

最後，您將使用 F1 分數和 AUC-ROC 這兩個常見指標來評估模型的成效。F1 分數會評估特定分類門檻下的精確度與喚回度的調和平均數，藉此擷取偽陰性和誤報錯誤。另一方面，AUC-ROC 會擷取真陽率和偽陽率在不同門檻下的取捨，然後計算曲線下的面積。

from sklearn.metrics import f1_score, roc_auc_score

y_true = df_test['hateful'].values
# Compute the scores (aka probabilities) for each of the labels.
y_score = [agile_classifier.predict_score(model, x) for x in df_test['comment']]
# The label with highest score is considered the predicted class.
y_pred = np.argmax(y_score, axis=1)
# Extract the probability of a comment being considered hateful.
y_prob = [x[agile_classifier.labels.index('Negative')] for x in y_score]

# Compute F1 and AUC-ROC scores.
print(f'F1: {f1_score(y_true, y_pred):.2f}')
print(f'AUC-ROC: {roc_auc_score(y_true, y_prob):.2f}')

F1: 0.84
AUC-ROC: = 0.88

另一個評估模型預測結果的有趣方式是混淆矩陣。混淆矩陣會以視覺化方式呈現不同種類的預測錯誤。

from sklearn.metrics import confusion_matrix, ConfusionMatrixDisplay

cm = confusion_matrix(y_true, y_pred)
ConfusionMatrixDisplay(
  confusion_matrix=cm,
  display_labels=agile_classifier.labels,
).plot()

最後，您也可以查看 ROC 曲線，瞭解使用不同的評分門檻時，可能發生的預測錯誤。

from sklearn.metrics import RocCurveDisplay, roc_curve

fpr, tpr, _ = roc_curve(y_true, y_score, pos_label=1)
RocCurveDisplay(fpr=fpr, tpr=tpr).plot()