aitech-eks-pub/wyk/14_pretrenowanie.ipynb

{
 "cells": [
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "## Pretrenowanie modeli\n",
    "\n"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "System AlphaZero uczy się grając sam ze sobą — wystarczy 24 godziny,\n",
    "by system nauczył się grać w szachy lub go na nadludzkim poziomie.\n",
    "\n",
    "**Pytanie**: Dlaczego granie samemu ze sobą nie jest dobrym sposobem\n",
    " nauczenia się grania w szachy dla człowieka, a dla maszyny jest?\n",
    "\n",
    "Co jest odpowiednikiem grania samemu ze sobą w świecie przetwarzania tekstu?\n",
    "Tzn. **pretrenowanie** (*pretraining*) na dużym korpusie tekstu. (Tekst jest tani!)\n",
    "\n",
    "Jest kilka sposobów na pretrenowanie modelu, w każdym razie sprowadza\n",
    "się do odgadywania następnego bądź zamaskowanego słowa.\n",
    "W każdym razie zawsze stosujemy softmax (być może ze „sztuczkami” takimi jak\n",
    "negatywne próbkowanie albo hierarchiczny softamx) na pewnej **reprezentacji kontekstowej**:\n",
    "\n",
    "$$\\vec{p} = \\operatorname{softmax}(f(\\vec{c})).$$\n",
    "\n",
    "Model jest karany używając funkcji log loss:\n",
    "\n",
    "$$-\\log(p_j),$$\n",
    "\n",
    "gdzie $w_j$ jest wyrazem, który pojawił się rzeczywiście w korpusie.\n",
    "\n"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "### Przewidywanie słowa (GPT-2)\n",
    "\n"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "Jeden ze sposobów pretrenowania modelu to po prostu przewidywanie\n",
    "następnego słowa.\n",
    "\n",
    "Zainstalujmy najpierw bibliotekę transformers.\n",
    "\n"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 1,
   "metadata": {},
   "outputs": [],
   "source": [
    "! pip install transformers"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 17,
   "metadata": {},
   "outputs": [
    {
     "name": "stdout",
     "output_type": "stream",
     "text": [
      "50257\n"
     ]
    },
    {
     "data": {
      "text/plain": [
       "[('Âł', 0.6182783842086792),\n",
       " ('È', 0.1154019758105278),\n",
       " ('Ñģ', 0.026960616931319237),\n",
       " ('_____', 0.024418892338871956),\n",
       " ('________', 0.014962316490709782),\n",
       " ('ÃĤ', 0.010653386823832989),\n",
       " ('ä¸Ń', 0.008340531960129738),\n",
       " ('Ñ', 0.007557711564004421),\n",
       " ('Ê', 0.007046067621558905),\n",
       " ('ãĢ', 0.006875576451420784),\n",
       " ('ile', 0.006685272324830294),\n",
       " ('____', 0.006307446397840977),\n",
       " ('âĢĭ', 0.006306538358330727),\n",
       " ('ÑĢ', 0.006197483278810978),\n",
       " ('ĠBelarus', 0.006108700763434172),\n",
       " ('Æ', 0.005720408633351326),\n",
       " ('ĠPoland', 0.0053678699769079685),\n",
       " ('á¹', 0.004606408067047596),\n",
       " ('îĢ', 0.004161055199801922),\n",
       " ('????', 0.004056799225509167),\n",
       " ('_______', 0.0038176667876541615),\n",
       " ('ä¸', 0.0036082742735743523),\n",
       " ('Ì', 0.003221835708245635),\n",
       " ('urs', 0.003080119378864765),\n",
       " ('________________', 0.0027312245219945908),\n",
       " ('ĠLithuania', 0.0023860156070441008),\n",
       " ('ich', 0.0021211160346865654),\n",
       " ('iz', 0.002069818088784814),\n",
       " ('vern', 0.002001357264816761),\n",
       " ('ÅĤ', 0.001717406208626926)]"
      ]
     },
     "execution_count": 17,
     "metadata": {},
     "output_type": "execute_result"
    }
   ],
   "source": [
    "import torch\n",
    "from transformers import GPT2Tokenizer, GPT2LMHeadModel\n",
    "tokenizer = GPT2Tokenizer.from_pretrained('gpt2-large')\n",
    "model = GPT2LMHeadModel.from_pretrained('gpt2-large')\n",
    "text = 'Warsaw is the capital city of'\n",
    "encoded_input = tokenizer(text, return_tensors='pt')\n",
    "output = model(**encoded_input)\n",
    "next_token_probs = torch.softmax(output[0][:, -1, :][0], dim=0)\n",
    "\n",
    "nb_of_tokens = next_token_probs.size()[0]\n",
    "print(nb_of_tokens)\n",
    "\n",
    "_, top_k_indices = torch.topk(next_token_probs, 30, sorted=True)\n",
    "\n",
    "words = tokenizer.convert_ids_to_tokens(top_k_indices)\n",
    "\n",
    "top_probs = []\n",
    "\n",
    "for ix in range(len(top_k_indices)):\n",
    "     top_probs.append((words[ix], next_token_probs[top_k_indices[ix]].item()))\n",
    "\n",
    "top_probs"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "Zalety tego podejścia:\n",
    "\n",
    "-   prostota,\n",
    "-   dobra podstawa do strojenia systemów generowania tekstu zwłaszcza\n",
    "    „otwartego” (systemy dialogowe, generowanie (fake) newsów, streszczanie tekstu),\n",
    "    ale niekoniecznie tłumaczenia maszynowego,\n",
    "-   zaskakująca skuteczność przy uczeniu *few-shot* i *zero-shot*.\n",
    "\n",
    "Wady:\n",
    "\n",
    "-   asymetryczność, przetwarzanie tylko z lewej do prawej, preferencja\n",
    "    dla lewego kontekstu,\n",
    "-   mniejsza skuteczność przy dostrajaniu do zadań klasyfikacji i innych zadań\n",
    "    niepolegających na prostym generowaniu.\n",
    "\n",
    "Przykłady modeli: GPT, GPT-2, GPT-3, DialoGPT.\n",
    "\n"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "### Maskowanie słów (BERT)\n",
    "\n"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "Inną metodą jest maskowanie słów (*Masked Language Modeling*, *MLM*).\n",
    "\n",
    "W tym podejściu losowe wybrane zastępujemy losowe słowa specjalnym\n",
    "tokenem (`[MASK]`) i każemy modelowi odgadywać w ten sposób\n",
    "zamaskowane słowa (z uwzględnieniem również prawego kontekstu!).\n",
    "\n",
    "Móciąc ściśle, w jednym z pierwszych modeli tego typu (BERT)\n",
    "zastosowano schemat, w którym również niezamaskowane słowa są odgadywane (!):\n",
    "\n",
    "-   wybieramy losowe 15% wyrazów do odgadnięcia\n",
    "-   80% z nich zastępujemy tokenem `[MASK]`,\n",
    "-   10% zastępujemy innym losowym wyrazem,\n",
    "-   10% pozostawiamy bez zmian.\n",
    "\n"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 1,
   "metadata": {},
   "outputs": [
    {
     "name": "stderr",
     "output_type": "stream",
     "text": [
      "/home/filipg/.local/lib/python3.9/site-packages/transformers/models/auto/modeling_auto.py:806: FutureWarning: The class `AutoModelWithLMHead` is deprecated and will be removed in a future version. Please use `AutoModelForCausalLM` for causal language models, `AutoModelForMaskedLM` for masked language models and `AutoModelForSeq2SeqLM` for encoder-decoder models.\n",
      "  warnings.warn(\n"
     ]
    },
    {
     "name": "stdout",
     "output_type": "stream",
     "text": [
      "W którym państwie leży Bombaj? W USA. (score: 0.16715531051158905)\n",
      "W którym państwie leży Bombaj? W India. (score: 0.09912960231304169)\n",
      "W którym państwie leży Bombaj? W Indian. (score: 0.039642028510570526)\n",
      "W którym państwie leży Bombaj? W Nepal. (score: 0.027137665078043938)\n",
      "W którym państwie leży Bombaj? W Pakistan. (score: 0.027065709233283997)\n",
      "W którym państwie leży Bombaj? W Polsce. (score: 0.023737527430057526)\n",
      "W którym państwie leży Bombaj? W .... (score: 0.02306722290813923)\n",
      "W którym państwie leży Bombaj? W Bangladesh. (score: 0.022106658667325974)\n",
      "W którym państwie leży Bombaj? W .... (score: 0.01628892682492733)\n",
      "W którym państwie leży Bombaj? W Niemczech. (score: 0.014501162804663181)\n"
     ]
    }
   ],
   "source": [
    "from transformers import AutoModelWithLMHead, AutoTokenizer\n",
    "import torch\n",
    "\n",
    "tokenizer = AutoTokenizer.from_pretrained(\"xlm-roberta-large\")\n",
    "model = AutoModelWithLMHead.from_pretrained(\"xlm-roberta-large\")\n",
    "\n",
    "sequence = f'W którym państwie leży Bombaj? W {tokenizer.mask_token}.'\n",
    "\n",
    "input_ids = tokenizer.encode(sequence, return_tensors=\"pt\")\n",
    "mask_token_index = torch.where(input_ids == tokenizer.mask_token_id)[1]\n",
    "\n",
    "token_logits = model(input_ids)[0]\n",
    "mask_token_logits = token_logits[0, mask_token_index, :]\n",
    "mask_token_logits = torch.softmax(mask_token_logits, dim=1)\n",
    "\n",
    "top_10 = torch.topk(mask_token_logits, 10, dim=1)\n",
    "top_10_tokens = zip(top_10.indices[0].tolist(), top_10.values[0].tolist())\n",
    "\n",
    "for token, score in top_10_tokens:\n",
    "    print(sequence.replace(tokenizer.mask_token, tokenizer.decode([token])), f\"(score: {score})\")"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "Przykłady: BERT, RoBERTa (również Polish RoBERTa).\n",
    "\n"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "### Podejście generatywne (koder-dekoder).\n",
    "\n"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "System ma wygenerować odpowiedź na różne pytania (również\n",
    "odpowiadające zadaniu MLM), np.:\n",
    "\n",
    "-   \"translate English to German: That is good.\" => \"Das ist gut.\"\n",
    "-   \"cola sentence: The course is jumping well.\" => \"not acceptable\"\n",
    "-   \"summarize: state authorities dispatched emergency crews tuesday to survey the damage after an onslaught of severe weather in mississippi…\"\n",
    "    => \"six people hospitalized after a storm in attala county\"\n",
    "-   \"Thank you for <X> me to your party <Y> week.\" => <X> for inviting <Y> last <Z>\n",
    "\n"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 2,
   "metadata": {},
   "outputs": [
    {
     "data": {
      "text/plain": [
       "['World War II ended in World War II.',\n",
       " 'World War II ended in 1945..',\n",
       " 'World War II ended in 1945.',\n",
       " 'World War II ended in 1945.',\n",
       " 'World War II ended in 1945.']"
      ]
     },
     "execution_count": 2,
     "metadata": {},
     "output_type": "execute_result"
    }
   ],
   "source": [
    "from transformers import T5Tokenizer, T5Config, T5ForConditionalGeneration\n",
    "\n",
    "T5_PATH = 't5-base'\n",
    "\n",
    "t5_tokenizer = T5Tokenizer.from_pretrained(T5_PATH)\n",
    "t5_config = T5Config.from_pretrained(T5_PATH)\n",
    "t5_mlm = T5ForConditionalGeneration.from_pretrained(T5_PATH, config=t5_config)\n",
    "\n",
    "slot = '<extra_id_0>'\n",
    "\n",
    "text = f'World War II ended in {slot}.'\n",
    "\n",
    "encoded = t5_tokenizer.encode_plus(text, add_special_tokens=True, return_tensors='pt')\n",
    "input_ids = encoded['input_ids']\n",
    "\n",
    "outputs = t5_mlm.generate(input_ids=input_ids,\n",
    "                          num_beams=200, num_return_sequences=5,\n",
    "                          max_length=5)\n",
    "\n",
    "_0_index = text.index(slot)\n",
    "_result_prefix = text[:_0_index]\n",
    "_result_suffix = text[_0_index+len(slot):]\n",
    "\n",
    "def _filter(output, end_token='<extra_id_1>'):\n",
    "    _txt = t5_tokenizer.decode(output[2:], skip_special_tokens=False, clean_up_tokenization_spaces=False)\n",
    "    if end_token in _txt:\n",
    "        _end_token_index = _txt.index(end_token)\n",
    "        return _result_prefix + _txt[:_end_token_index] + _result_suffix\n",
    "    else:\n",
    "        return _result_prefix + _txt + _result_suffix\n",
    "\n",
    "\n",
    "results = [_filter(out) for out in outputs]\n",
    "results"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "(Zob. [https://arxiv.org/pdf/1910.10683.pdf](https://arxiv.org/pdf/1910.10683.pdf))\n",
    "\n",
    "Przykład: T5, mT5\n",
    "\n"
   ]
  }
 ],
 "metadata": {
  "kernelspec": {
   "display_name": "Python 3",
   "language": "python",
   "name": "python3"
  },
  "language_info": {
   "codemirror_mode": {
    "name": "ipython",
    "version": 3
   },
   "file_extension": ".py",
   "mimetype": "text/x-python",
   "name": "python",
   "nbconvert_exporter": "python",
   "pygments_lexer": "ipython3",
   "version": "3.9.2"
  },
  "org": null
 },
 "nbformat": 4,
 "nbformat_minor": 4
}