1. Panoramica
Questo codelab illustra come creare un classificatore di testo personalizzato utilizzando l'ottimizzazione efficiente dei parametri (PET). Anziché perfezionare l'intero modello, i metodi PET aggiornano solo una piccola quantità di parametri, il che rende l'addestramento relativamente facile e veloce. Inoltre, permette a un modello di apprendere più facilmente nuovi comportamenti con dati di addestramento relativamente pochi. La metodologia è descritta in dettaglio in Verso i classificatori di testo agili per tutti, che mostra come queste tecniche possono essere applicate a una varietà di attività di sicurezza e ottenere prestazioni all'avanguardia con solo poche centinaia di esempi di addestramento.
Questo codelab utilizza il metodo PET LoRA e il modello Gemma più piccolo (gemma_instruct_2b_en), che può essere eseguito in modo più rapido ed efficiente. Colab copre i passaggi per importare i dati, formattarli per l'LLM, addestrare i pesi LoRA e quindi valutare i risultati. Questo codelab viene addestrato sul set di dati ETHOS, un set di dati disponibile pubblicamente per rilevare l'incitamento all'odio, creato a partire dai commenti di YouTube e Reddit. Se addestrato solo su 200 esempi (1/4 del set di dati), raggiunge F1: 0,80 e ROC-AUC: 0,78, leggermente al di sopra della SOTA attualmente riportata nella classifica (al momento della stesura, 15 febbraio 2024). Se addestrato su 800 esempi completi, raggiunge un punteggio F1 di 83,74 e un punteggio ROC-AUC di 88,17. I modelli più grandi, come gemma_instruct_7b_en, in genere hanno prestazioni migliori, ma anche i costi di addestramento ed esecuzione sono maggiori.
Avviso di attivazione: poiché questo codelab sviluppa un classificatore di sicurezza per rilevare i contenuti che incitano all'odio, gli esempi e la valutazione dei risultati contengono un linguaggio orribile.
2. Installazione e configurazione
Per questo codelab, avrai bisogno di una versione recente keras (3), keras-nlp (0.8.0) e di un account Kaggle per scaricare il modello di base.
!pip install -q -U keras-nlp
!pip install -q -U keras
Per accedere a Kaggle, puoi archiviare il tuo file delle credenziali di kaggle.json su ~/.kaggle/kaggle.json o eseguire quanto segue in un ambiente Colab:
import kagglehub
kagglehub.login()
3. Carica il set di dati ETHOS
In questa sezione devi caricare il set di dati su cui addestrare il classificatore e pre-elaborarlo in un set di addestramento e test. Userai il noto set di dati di ricerca ETHOS, che è stato raccolto per rilevare l'incitamento all'odio nei social media. Puoi trovare maggiori informazioni sulle modalità di raccolta del set di dati nell'articolo ETHOS: an Online Incitamento all'odio Detection Dataset.
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']]
Il risultato visualizzato sarà simile a questo:
o l'etichetta. | commento | |
0 |
|
|
1 |
|
|
2 |
|
|
3 |
|
|
4 |
|
|
4. Scarica e crea un'istanza del modello
Come descritto nella documentazione, puoi facilmente utilizzare il modello Gemma in molti modi. Con Keras, ecco cosa devi fare:
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
Puoi verificare che il modello funzioni generando del testo:
model.generate('Question: what is the capital of France? ', max_length=32)
5. Token di pre-elaborazione e separatori del testo
Per aiutare il modello a comprendere meglio il nostro intento, puoi pre-elaborare il testo e utilizzare token separatori. In questo modo, è meno probabile che il modello generi testo non adatto al formato previsto. Ad esempio, potresti tentare di richiedere una classificazione del sentiment dal modello scrivendo un prompt come questo:
Classify the following text into one of the following classes:[Positive,Negative] Text: you look very nice today Classification:
In questo caso, il modello potrebbe restituire ciò che stai cercando. Ad esempio, se il testo contiene caratteri di nuova riga, è probabile che questo abbia un effetto negativo sulle prestazioni del modello. Un approccio più efficace consiste nell'utilizzare token separatori. Il prompt diventa quindi:
Classify the following text into one of the following classes:[Positive,Negative] <separator> Text: you look very nice today <separator> Prediction:
Può essere astratto utilizzando una funzione che pre-elabora il testo:
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:'])
Ora, se esegui la funzione utilizzando lo stesso prompt e lo stesso testo di prima, dovresti ottenere lo stesso output:
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)
Che dovrebbe restituire:
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. Post-elaborazione dell'output
Gli output del modello sono token con varie probabilità. Normalmente, per generare testo, selezioneresti tra i primi token più probabili e costruisci frasi, paragrafi o persino documenti interi. Tuttavia, ai fini della classificazione, ciò che effettivamente conta è se il modello ritiene che Positive sia più probabile di Negative o viceversa.
Dato il modello per cui hai creato un'istanza in precedenza, ecco come puoi elaborare il suo output nelle probabilità indipendenti di determinare se il token successivo è Positive o Negative:
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()))
Puoi testare la funzione eseguendola con un prompt creato in precedenza:
compute_output_probability(
model=model,
prompt=prompt,
target_classes=['Positive', 'Negative'],
)
Il risultato sarà un risultato simile al seguente:
{'Positive': 0.99994016, 'Negative': 5.984089e-05}
7. Includere tutto come strumento di classificazione
Per facilità d'uso, puoi aggregare tutte le funzioni appena create in un unico classificatore simile a sklearn con funzioni familiari e facili da usare come predict() e 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. Ottimizzazione dei modelli
LoRA è l'acronimo di Low-Rank Adapter. È una tecnica di ottimizzazione che può essere utilizzata per perfezionare in modo efficiente i modelli linguistici di grandi dimensioni (LLM). Per saperne di più, consulta l'articolo LoRA: Low-Rank Adapteration of Large Language Models.
L'implementazione Keras di Gemma fornisce un metodo enable_lora() che puoi usare per l'ottimizzazione:
# Enable LoRA for the model and set the LoRA rank to 4.
model.backbone.enable_lora(rank=4)
Dopo aver abilitato LoRA, puoi avviare il processo di ottimizzazione. Questa operazione richiede circa 5 minuti per epoca su Colab:
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)
L'addestramento per più epoche comporterà una maggiore precisione, fino a quando non si verifica l'overfitting.
9. Esamina i risultati
Ora puoi esaminare l'output del classificatore agile che hai appena addestrato. Questo codice restituirà il punteggio della classe previsto in base a una porzione di testo:
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. Valutazione del modello
Infine, valuterai le prestazioni del modello utilizzando due metriche comuni, il punteggio F1 e AUC-ROC. Il punteggio F1 acquisisce gli errori di falsi negativi e falsi positivi valutando la media armonica di precisione e richiamo a una determinata soglia di classificazione. L'AUC-ROC d'altra parte cattura il compromesso tra il tasso di veri positivi e il tasso di falsi positivi in una serie di soglie e calcola l'area sotto questa curva.
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
Un altro modo interessante per valutare le previsioni del modello sono le matrici di confusione. Una matrice di confusione rappresenta visivamente i diversi tipi di errori di previsione.
from sklearn.metrics import confusion_matrix, ConfusionMatrixDisplay
cm = confusion_matrix(y_true, y_pred)
ConfusionMatrixDisplay(
confusion_matrix=cm,
display_labels=agile_classifier.labels,
).plot()
Infine, puoi anche osservare la curva ROC per avere un'idea dei potenziali errori di previsione quando utilizzi soglie di punteggio diverse.
from sklearn.metrics import RocCurveDisplay, roc_curve
fpr, tpr, _ = roc_curve(y_true, y_score, pos_label=1)
RocCurveDisplay(fpr=fpr, tpr=tpr).plot()
