文本分类 – TensorFlow
Amazon SageMaker 文本分类 – TensorFlow 算法是一种有监督学习算法,支持使用 TensorFlow Hub
主题
如何使用 SageMaker 文本分类 – TensorFlow 算法。
您可以使用文本分类 – TensorFlow 算法作为 Amazon SageMaker 的内置算法。以下部分介绍如何将文本分类 – TensorFlow 与 SageMaker Python SDK 结合使用。有关如何从 Amazon SageMaker Studio UI 使用文本分类 – TensorFlow 的信息,请参阅 SageMaker JumpStart。
文本分类 – TensorFlow 算法支持使用任何预先训练的兼容 TensorFlow 模型进行迁移学习。有关所有可用的预先训练模型的列表,请参阅 TensorFlow Hub 模型。每个预先训练的模型都有独特的 model_id
。以下示例使用 BERT Base Uncased(model_id
:tensorflow-tc-bert-en-uncased-L-12-H-768-A-12-2
)在自定义数据集上进行微调。预先训练的模型均提前下载自 TensorFlow Hub,并存储在 Amazon S3 存储桶中,这样训练作业就可以在网络隔离的条件下运行。使用这些预先生成的模型训练构件来构造 SageMaker Estimator。
首先,检索 Docker 映像 URI、训练脚本 URI 和预先训练模型 URI。然后,根据需要更改超参数。您可以使用 hyperparameters.retrieve_default
查看包含所有可用超参数及其默认值的 Python 字典。有关更多信息,请参阅 Text Classification – TensorFlow 文本分类。使用这些值来构造 SageMaker Estimator。
注意
不同模型具有不同的默认超参数值。例如,对于较大的模型,默认批量大小较小。
此示例使用 SST2
.fit
。笔记本中使用的任何 S3 存储桶都必须与访问该存储桶的笔记本实例位于同一 Amazon 区域。
from sagemaker import image_uris, model_uris, script_uris, hyperparameters from sagemaker.estimator import Estimator model_id, model_version = "tensorflow-tc-bert-en-uncased-L-12-H-768-A-12-2", "*" training_instance_type = "ml.p3.2xlarge" # Retrieve the Docker image train_image_uri = image_uris.retrieve(model_id=model_id,model_version=model_version,image_scope="training",instance_type=training_instance_type,region=None,framework=None) # Retrieve the training script train_source_uri = script_uris.retrieve(model_id=model_id, model_version=model_version, script_scope="training") # Retrieve the pretrained model tarball for transfer learning train_model_uri = model_uris.retrieve(model_id=model_id, model_version=model_version, model_scope="training") # Retrieve the default hyperparameters for fine-tuning the model hyperparameters = hyperparameters.retrieve_default(model_id=model_id, model_version=model_version) # [Optional] Override default hyperparameters with custom values hyperparameters["epochs"] = "5" # Sample training data is available in this bucket training_data_bucket = f"jumpstart-cache-prod-{aws_region}" training_data_prefix = "training-datasets/SST2/" training_dataset_s3_path = f"s3://{training_data_bucket}/{training_data_prefix}" output_bucket = sess.default_bucket() output_prefix = "jumpstart-example-tc-training" s3_output_location = f"s3://{output_bucket}/{output_prefix}/output" # Create an Estimator instance tf_tc_estimator = Estimator( role=aws_role, image_uri=train_image_uri, source_dir=train_source_uri, model_uri=train_model_uri, entry_point="transfer_learning.py", instance_count=1, instance_type=training_instance_type, max_run=360000, hyperparameters=hyperparameters, output_path=s3_output_location, ) # Launch a training job tf_tc_estimator.fit({"training": training_dataset_s3_path}, logs=True)
有关如何使用 SageMaker 文本分类 – TensorFlow 算法在自定义数据集上进行迁移学习的更多信息,请参阅 JumpStart 简介 – 文本分类
文本分类 – TensorFlow 算法的输入和输出接口
TensorFlow Hub 模型中列出的每个预先训练模型,都可以通过由任意类别数量的文本句子组成的数据集进行微调。预先训练模型将分类层附加到文本嵌入模型,并将层参数初始化为随机值。根据在输入数据中检测到的类别数量来确定分类层的输出维度。
请注意如何格式化训练数据,以便输入到文本分类 – TensorFlow 模型中。
-
训练数据输入格式:包含
data.csv
文件的目录。第一列的每一行都应有一个整数型的类标签,其值介于 0 和类数量之间。第二列的每一行都应有对应的文本数据。
以下是输入 CSV 文件的示例:请注意,该文件不应有任何标题。文件应托管在 Amazon S3 存储桶中,路径类似于如下所示:s3://
。请注意,结尾的 bucket_name
/input_directory
//
是必需的。
| | | |---|---| |0 |hide new secretions from the parental units| |0 |contains no wit , only labored gags| |1 |that loves its characters and communicates something rather beautiful about human nature| |...|...|
增量训练
您可以使用以前通过 SageMaker 训练的模型中的构件作为种子来训练新模型。当您想训练具有相同或类似数据的新模型时,这种增量训练可节省训练时间。
注意
您只能将 SageMaker 文本分类 – TensorFlow 模型作为种子,植入到在 SageMaker 中训练的另一个文本分类 – TensorFlow 模型中。
只要类别集合保持不变,就可以使用任何数据集进行增量训练。增量训练步骤与微调步骤类似,但不是使用预先训练的模型开始,而是从现有的微调模型开始。
有关通过 SageMaker 文本分类 – TensorFlow 算法使用增量训练的更多信息,请参阅 JumpStart 简介 – 文本分类
使用文本分类 – TensorFlow 算法进行推理
您可以托管通过 TensorFlow 文本分类训练得到的微调模型,以便用于推理。用于推理的任何原始文本格式都必须是内容类型 application/x-text
。
运行推理会生成概率值、所有类的类标签以及与概率最高的类索引对应的预测标签,这些标签以 JSON 格式编码。文本分类 – TensorFlow 模型的每个请求处理一个字符串,并且仅输出一行。以下是 JSON 格式响应的示例:
accept: application/json;verbose {"probabilities": [
prob_0
,prob_1
,prob_2
, ...], "labels": [label_0
,label_1
,label_2
, ...], "predicted_label":predicted_label
}
如果 accept
设置为 application/json
,则模型仅输出概率。
文本分类 – TensorFlow 算法的 Amazon EC2 实例推荐功能
文本分类 – TensorFlow 算法支持使用所有 CPU 和 GPU 实例进行训练,包括:
-
ml.p2.xlarge
-
ml.p2.16xlarge
-
ml.p3.2xlarge
-
ml.p3.16xlarge
-
ml.g4dn.xlarge
-
ml.g4dn.16.xlarge
-
ml.g5.xlarge
-
ml.g5.48xlarge
对于大批量训练,建议使用具有更多内存的 GPU 实例。CPU(例如 M5)实例和 GPU(P2、P3、G4dn 或 G5)实例都可用于推理。有关各 Amazon 区域的 SageMaker 训练和推理实例的完整列表,请参阅 Amazon SageMaker 定价
文本分类 – TensorFlow 示例笔记本
有关如何使用 SageMaker 文本分类 – TensorFlow 算法在自定义数据集上进行迁移学习的更多信息,请参阅 JumpStart 简介 – 文本分类
有关如何创建和访问可用于在 SageMaker 中运行示例的 Jupyter 笔记本实例的说明,请参阅 Amazon SageMaker 笔记本实例。创建笔记本实例并将其打开后,选择 SageMaker 示例选项卡以查看所有 SageMaker 示例的列表。要打开笔记本,请选择其 Use (使用) 选项卡,然后选择 Create copy (创建副本)。