利用PyTorch的三元组损失Hard Triplet Loss进行嵌入模型微调

本文介绍如何使用 PyTorch 和三元组边缘损失 (Triplet Margin Loss) 微调嵌入模型,并重点阐述实现细节和代码示例。三元组损失是一种对比损失函数,通过缩小锚点与正例间的距离,同时扩大锚点与负例间的距离来优化模型。

图片

数据集准备与处理

一般的嵌入模型都会使用Sentence Transformer ,其中的 encode() 方法可以直接处理文本输入。但是为了进行微调,我们需要采用 Transformer 库,所以就要将文本转换为模型可接受的 token IDs 和 attention masks。Token IDs 代表模型词汇表中的词或字符,attention masks 用于防止模型关注填充 tokens。

本文使用 thenlper/gte-base 模型,需要对应的 tokenizer 对文本进行预处理。该模型基于 BertModel 架构:

 BertModel(
  (embeddings): BertEmbeddings(
    (word_embeddings): Embedding(30522, 768, padding_idx=0)
    (position_embeddings): Embedding(512, 768)
    (token_type_embeddings): Embedding(2, 768)
    (LayerNorm): LayerNorm((768,), eps=1e-12, elementwise_affine=True)
    (dropout): Dropout(p=0.1, inplace=False)
  )
  (encoder): BertEncoder(
    (layer): ModuleList(
      (0-11): 12 x BertLayer(
        (attention): BertAttention(
          (self): BertSdpaSelfAttention(
            (query): Linear(in_features=768, out_features=768, bias=True)
            (key): Linear(in_features=768, out_features=768, bias=True)
            (value): Linear(in_features=768, out_features=768, bias=True)
            (dropout): Dropout(p=0.1, inplace=False)
          )
          (output): BertSelfOutput(
            (dense): Linear(in_features=768, out_features=768, bias=True)
            (LayerNorm): LayerNorm((768,), eps=1e-12, elementwise_affine=True)
            (dropout): Dropout(p=0.1, inplace=False)
          )
        )
        (intermediate): BertIntermediate(
          (dense): Linear(in_features=768, out_features=3072, bias=True)
          (intermediate_act_fn): GELUActivation()
        )
        (output): BertOutput(
          (dense): Linear(in_features=3072, out_features=768, bias=True)
          (LayerNorm): LayerNorm((768,), eps=1e-12, elementwise_affine=True)
          (dropout): Dropout(p=0.1, inplace=False)
        )
      )
    )
  )
  (pooler): BertPooler(
    (dense): Linear(in_features=768, out_features=768, bias=True)
    (activation): Tanh()
  )
 )

利用 Transformers 库的 AutoTokenizerAutoModel 可以简化模型加载过程,无需手动处理底层架构和配置细节。

 from transformers import AutoTokenizer, AutoModel  
 from tqdm import tqdm  
 tokenizer = AutoTokenizer.from_pretrained("thenlper/gte-base")  
   
 # 获取文本并进行标记  
 train_texts = [df_train.loc[i]['content'] for i in range(df_train.shape[0])]  
 dev_texts = [df_dev.loc[i]['content'] for i in range(df_dev.shape[0])]  
 test_texts = [df_test.loc[i]['content'] for i in range(df_test.shape[0])]  
   
 train_tokens = []  
 train_attention_masks = []  
 dev_tokens = []  
 dev_attention_masks = []  
 test_tokens = []  
 test_attention_masks = []  
   
 for sent in tqdm(train_texts):  
   encoding = tokenizer(sent, truncation=True, padding='max_length', return_tensors='pt')  
   train_tokens.append(encoding['input_ids'].squeeze(0))  
   train_attention_masks.append(encoding['attention_mask'].squeeze(0))  
   
 for sent in tqdm(dev_texts):  
   encoding = tokenizer(sent, truncation=True, padding='max_length', return_tensors='pt')  
   dev_tokens.append(encoding['input_ids'].squeeze(0))  
   dev_attention_masks.append(encoding['attention_mask'].squeeze(0))  
   
 for sent in tqdm(test_texts):  
   encoding = tokenizer(sent, truncation=True, padding='max_length', return_tensors='pt')  
   test_tokens.append(encoding['input_ids'].squeeze(0))  
   test_attention_masks.append(encoding['attention_mask'].squeeze(0))

获取 token IDs 和 attention masks 后,需要将其存储并创建一个自定义的 PyTorch 数据集。

 import random  
 from collections import defaultdict  
 import torch  
 from torch.utils.data import Dataset, DataLoader, Sampler, SequentialSampler  
   
 class CustomTripletDataset(Dataset):  
     def __init__(self, tokens, attention_masks, labels):  
         self.tokens = tokens  
         self.attention_masks = attention_masks  
         self.labels = torch.Tensor(labels)  
         self.label_dict = defaultdict(list)  
   
         for i in range(len(tokens)):  
             self.label_dict[int(self.labels[i])].append(i)  
         self.unique_classes = list(self.label_dict.keys())  
   
     def __len__(self):  
         return len(self.tokens)  
   
     def __getitem__(self, index):  
         ids = self.tokens[index].to(device)  
         ams = self.attention_masks[index].to(device)  
         y = self.labels[index].to(device)  
         return ids, ams, y

由于采用三元组损失,需要从数据集中采样正例和负例。label_dict 字典用于存储每个类别及其对应的数据索引,方便随机采样。DataLoader 用于加载数据集:

 train_loader = DataLoader(train_dataset, batch_sampler=train_batch_sampler)

其中 train_batch_sampler 是自定义的批次采样器:

 class CustomBatchSampler(SequentialSampler):  
     def __init__(self, dataset, batch_size):  
         self.dataset = dataset  
         self.batch_size = batch_size  
         self.unique_classes = sorted(dataset.unique_classes)  
         self.label_dict = dataset.label_dict  
         self.num_batches = len(self.dataset) // self.batch_size  
         self.class_size = self.batch_size // 4  
   
     def __iter__(self):  
         total_samples_used = 0  
         weights = np.repeat(1, len(self.unique_classes))  
   
         while total_samples_used < len(self.dataset):  
             batch = []  
             classes = []  
             for _ in range(4):  
                 next_selected_class = self._select_class(weights)  
                 while next_selected_class in classes:  
                   next_selected_class = self._select_class(weights)  
                 weights[next_selected_class] += 1  
                 classes.append(next_selected_class)  
                 new_choices = self.label_dict[next_selected_class]  
                 remaining_samples = list(np.random.choice(new_choices, min(self.class_size, len(new_choices)), replace=False))  
                 batch.extend(remaining_samples)  
   
             total_samples_used += len(batch)  
   
             yield batch  
   
     def _select_class(self, weights):  
         dist = 1/weights  
         dist = dist/np.sum(dist)  
         selected = int(np.random.choice(self.unique_classes, p=dist))  
         return selected  
   
     def __len__(self):  
         return self.num_batches

自定义批次采样器控制训练批次的构成,本文的实现确保每个批次包含 4 个类别,每个类别包含 8 个数据点。验证采样器则确保验证集批次在不同 epoch 间保持一致。

模型构建

嵌入模型通常基于 Transformer 架构,输出每个 token 的嵌入。为了获得句子嵌入,需要对 token 嵌入进行汇总。常用的方法包括 CLS 池化和平均池化。本文使用的 gte-base 模型采用平均池化,需要从模型输出中提取 token 嵌入并计算平均值。

 import torch.nn.functional as F  
 import torch.nn as nn  
   
 class EmbeddingModel(nn.Module):  
     def __init__(self, base_model):  
         super().__init__()  
         self.base_model = base_model  
   
     def average_pool(self, last_hidden_states, attention_mask):  
         # 平均 token 嵌入  
         last_hidden = last_hidden_states.masked_fill(~attention_mask[..., None].bool(), 0.0)  
         return last_hidden.sum(dim=1) / attention_mask.sum(dim=1)[..., None]  
   
     def forward(self, input_ids, attention_mask):  
         outputs = self.base_model(input_ids=input_ids, attention_mask=attention_mask)  
         last_hidden_state = outputs.last_hidden_state  
         pooled_output = self.average_pool(last_hidden_state, attention_mask)  
         normalized_output = F.normalize(pooled_output, p=2, dim=1)  
         return normalized_output  
   
 base_model = AutoModel.from_pretrained("thenlper/gte-base")  
 model = EmbeddingModel(base_model)

EmbeddingModel 类封装了 Hugging Face 模型,并实现了平均池化和嵌入归一化。

模型训练

训练循环中需要动态计算每个锚点的最难正例和最难负例。

 import numpy as np  
   
 def train(model, train_loader, criterion, optimizer, scheduler):  
     model.train()  
     epoch_train_losses = []  
   
     for idx, (ids, attention_masks, labels) in enumerate(train_loader):  
         optimizer.zero_grad()  
   
         embeddings = model(ids, attention_masks)  
   
         distance_matrix = torch.cdist(embeddings, embeddings, p=2) # 创建方形距离矩阵  
   
         anchors = []  
         positives = []  
         negatives = []  
   
         for i in range(len(labels)):  
   
             anchor_label = labels[i].item()  
             anchor_distance = distance_matrix[i] # 锚点与所有其他点之间的距离  
   
             # 最难的正例(同一类别中最远的)  
             hardest_positive_idx = (labels == anchor_label).nonzero(as_tuple=True)[0] # 所有同类索引  
             hardest_positive_idx = hardest_positive_idx[hardest_positive_idx != i] # 排除自己的标签  
             hardest_positive = hardest_positive_idx[anchor_distance[hardest_positive_idx].argmax()] # 最远同类的标签  
   
             # 最难的负例(不同类别中最近的)  
             hardest_negative_idx = (labels != anchor_label).nonzero(as_tuple=True)[0] # 所有不同类索引  
             hardest_negative = hardest_negative_idx[anchor_distance[hardest_negative_idx].argmin()] # 最近不同类的标签  
   
             # 加载选择的  
             anchors.append(embeddings[i])  
             positives.append(embeddings[hardest_positive])  
             negatives.append(embeddings[hardest_negative])  
   
         # 将列表转换为张量  
         anchors = torch.stack(anchors)  
         positives = torch.stack(positives)  
         negatives = torch.stack(negatives)  
   
         # 计算损失  
         loss = criterion(anchors, positives, negatives)  
         epoch_train_losses.append(loss.item())  
   
         # 反向传播和优化  
         loss.backward()  
         optimizer.step()  
   
         # 更新学习率  
         scheduler.step()  
   
     return np.mean(epoch_train_losses)

训练过程中使用 torch.cdist() 计算嵌入间的距离矩阵,并根据距离选择最难正例和最难负例。PyTorch 的 TripletMarginLoss 用于计算损失。

结论与讨论

实践表明,Batch Hard Triplet Loss 在某些情况下并非最优选择。例如,当正例样本内部差异较大时,强制其嵌入相似可能适得其反。

本文的重点在于 PyTorch 中自定义批次采样和动态距离计算的实现。

对于某些任务,直接在分类任务上微调嵌入模型可能比使用三元组损失更有效。


喜欢就关注一下吧:


点个 在看 你最好看!