bert-base-uncased-sst2-unstructured80-int8-ov

bert-base-uncased-sst2-unstructured80-int8-ov 项目介绍

项目背景

bert-base-uncased-sst2-unstructured80-int8-ov是一个基于BERT模型进行文本分类的项目，最初由Google推出。这一项目的基础模型是google-bert/bert-base-uncased，经过量化、剪枝和蒸馏等优化处理，用于在GLUE SST2数据集上进行微调。

项目特点

在项目中，模型实现了结构化稀疏的剪枝、量化到INT8和蒸馏技术的综合应用。通过这些优化措施，该模型在验证集上达到了以下性能：

PyTorch框架下的准确率：0.9128
OpenVINO IR格式的准确率：0.9128
Transformer块线性层的稀疏率：0.80

该模型已被转换为OpenVINO™ IR（中间表示）格式，并通过NNCF对权重进行INT8压缩。

兼容性

提供的OpenVINO™ IR模型支持以下版本：

OpenVINO版本2024.3.0及以上
Optimum Intel 1.19.0及以上

优化参数

优化过程中使用了以下nncf_config.json文件：

[
    {
        "algorithm": "quantization",
        "preset": "mixed",
        "overflow_fix": "disable",
        "initializer": {
            "range": {
                "num_init_samples": 300,
                "type": "mean_min_max"
            },
            "batchnorm_adaptation": {
                "num_bn_adaptation_samples": 0
            }
        },
        "scope_overrides": {
            "activations": {
                "{re}.*matmul_0": {
                    "mode": "symmetric"
                }
            }
        },
        "ignored_scopes": [
            "{re}.*Embeddings.*",
            "{re}.*__add___[0-1]",
            "{re}.*layer_norm_0",
            "{re}.*matmul_1",
            "{re}.*__truediv__*"
        ]
    },
    {
        "algorithm": "magnitude_sparsity",
        "ignored_scopes": [
            "{re}.*NNCFEmbedding.*",
            "{re}.*LayerNorm.*",
            "{re}.*pooler.*",
            "{re}.*classifier.*"
        ],
        "sparsity_init": 0.0,
        "params": {
            "power": 3,
            "schedule": "polynomial",
            "sparsity_freeze_epoch": 10,
            "sparsity_target": 0.8,
            "sparsity_target_epoch": 9,
            "steps_per_epoch": 2105,
            "update_per_optimizer_step": true
        }
    }
]

更多关于优化的信息，可以参考OpenVINO模型优化指南。

运行模型训练

安装所需软件包：

conda install pytorch torchvision torchaudio pytorch-cuda=11.6 -c pytorch -c nvidia
pip install optimum[openvino,nncf]
pip install datasets sentencepiece scipy scikit-learn protobuf evaluate
pip install wandb # 可选项

运行模型训练：

NNCFCFG=/path/to/nncf_config.json
python run_glue.py \
  --lr_scheduler_type cosine_with_restarts \
  --cosine_lr_scheduler_cycles 11 6 \
  --record_best_model_after_epoch 9 \
  --load_best_model_at_end True \
  --metric_for_best_model accuracy \
  --model_name_or_path textattack/bert-base-uncased-SST-2 \
  --teacher_model_or_path yoshitomo-matsubara/bert-large-uncased-sst2 \
  --distillation_temperature 2 \
  --task_name sst2 \
  --nncf_compression_config $NNCFCFG \
  --distillation_weight 0.95 \
  --output_dir /tmp/bert-base-uncased-sst2-int8-unstructured80 \
  --overwrite_output_dir \
  --run_name bert-base-uncased-sst2-int8-unstructured80 \
  --do_train \
  --do_eval \
  --max_seq_length 128 \
  --per_device_train_batch_size 32 \
  --per_device_eval_batch_size 32 \
  --learning_rate 5e-05 \
  --optim adamw_torch \
  --num_train_epochs 17 \
  --logging_steps 1 \
  --evaluation_strategy steps \
  --eval_steps 250 \
  --save_strategy steps \
  --save_steps 250 \
  --save_total_limit 1 \
  --fp16 \
  --seed 1