论文复现赛指南-NLP方向

PreviousImplementation NextImplementation

Last updated 2 years ago

论文复现赛指南-NLP方向

本文为针对 NLP 方向的复现赛指南
如果希望查阅 CV 方向的复现赛指南，可以参考：
如果希望查阅 推荐 方向的复现赛指南，可以参考：

1. 总览

1.1 背景

以深度学习为核心的人工智能技术仍在高速发展，通过论文复现，开发者可以获得
- 学习成长：自我能力提升
- 技术积累：对科研或工作有所帮助和启发
- 社区荣誉：成果被开发者广泛使用

1.2 前序工作

基于本指南复现论文过程中，建议开发者准备以下内容。

了解该模型输入输出格式。以BERT的情感分类任务为例，通过阅读论文与参考代码，了解到模型输入为[batch_size, sequence_length]的tensor，类型为int64，label为[batch, ]的label，类型为int64。
准备好训练/验证数据集，用于模型训练与评估
准备好fake input data以及label，与模型输入shape、type等保持一致，用于后续模型前向对齐。
- 在对齐模型前向过程中，我们不需要考虑数据集模块等其他模块，此时使用fake data是将模型结构和数据部分解耦非常合适的一种方式。
- 将fake data以文件的形式存储下来，也可以保证PaddlePaddle与参考代码的模型结构输入是完全一致的，更便于排查问题。
在特定设备(CPU/GPU)上，跑通参考代码的预测过程(前向)以及至少2轮(iteration)迭代过程，保证后续基于PaddlePaddle复现论文过程中可对比。
在复现的过程中，只需要将PaddlePaddle的复现代码以及打卡日志上传至github，不能在其中添加参考代码的实现，在验收通过之后，需要删除打卡日志。建议在初期复现的时候，就将复现代码与参考代码分成2个文件夹进行管理。

2. 整体框图

2.1 流程概览

面对一篇自然语言处理的论文，复现该论文的整体流程如下图所示。

总共包含12个步骤。为了高效复现论文，设置了6个验收节点。如上图中黄色框所示。后续章节会详细介绍上述步骤和验收节点，具体内容安排如下：

第3章：介绍12个复现步骤的理论知识、实战以及验收流程。
第4章：针对复现流程过程中每个步骤可能出现的问题，本章会进行详细介绍。如果还是不能解决问题，可以提ISSUE进行讨论，提ISSUE地址：https://github.com/PaddlePaddle/Paddle/issues/new/choose

2.2 reprod_log whl包

2.2.1 reprod_log工具简介

reprod_log是用于论文复现赛中辅助自查和验收工具。该工具源代码地址在：https://github.com/WenmuZhou/reprod_log。主要功能如下：

存取指定节点的输入输出tensor
基于文件的tensor读写
2个字典的对比验证
对比结果的输出与记录

2.2.2 reprod_log使用demo

下面基于代码：https://github.com/JunnYu/BERT-SST2-Prod/tree/main/pipeline/reprod_log_demo，给出如何使用该工具。

文件夹中包含write_log.py和check_log_diff.py文件，其中write_log.py中给出了ReprodLogger类的使用方法，check_log_diff.py给出了ReprodDiffHelper类的使用方法，依次运行两个python文件，使用下面的方式运行代码。

# 进入文件夹
cd pipeline/reprod_log_demo
# 随机生成矩阵，写入文件中
python write_log.py
# 进行文件对比，输出日志
python check_log_diff.py

最终会输出以下内容

[2021/11/18 09:29:31] root INFO: demo_test_1:
[2021/11/18 09:29:31] root INFO:     mean diff: check passed: True, value: 0.0
[2021/11/18 09:29:31] root INFO: demo_test_2:
[2021/11/18 09:29:31] root INFO:     mean diff: check passed: False, value: 0.33387675881385803
[2021/11/18 09:29:31] root INFO: diff check failed

可以看出：对于key为demo_test_1的矩阵，由于diff为0，小于设置的阈值1e-6，核验成功；对于key为demo_test_2的矩阵，由于diff为0.33，大于设置的阈值1e-6，核验失败。

2.2.3 reprod_log在论文复现中应用

在论文复现中，基于reprod_log的结果记录模块，产出下面若干文件

log_reprod
├── forward_paddle.npy
├── forward_torch.npy    # 与forward_paddle.npy作为一并核查的文件对
├── metric_paddle.npy
├── metric_torch.npy     # 与metric_paddle.npy作为一并核查的文件对
├── loss_paddle.npy
├── loss_torch.npy       # 与loss_paddle.npy作为一并核查的文件对
├── bp_align_paddle.npy
├── bp_align_torch.npy   # 与bp_align_paddle.npy作为一并核查的文件对
├── train_align_paddle.npy
├── train_align_torch.npy # pytorch运行得到的参考评估指标

基于reprod_log的ReprodDiffHelper模块，产出下面5个日志文件。

├── forward_diff.log     # forward_paddle.npy与forward_torch.npy生成的diff结果文件
├── metric_diff.log      # metric_paddle.npy与metric_torch.npy生成的diff结果文件
├── loss_diff.log          # loss_paddle.npy与loss_torch.npy生成的diff结果文件
├── bp_align_diff.log    # bp_align_paddle.npy与bp_align_torch.npy生成的diff结果文件
├── train_align_diff.log # train_align_paddle.train_align_torch.npy生成的diff结果文件

上述文件的生成代码都需要开发者进行开发，验收时需要提供上面罗列的所有文件（不需要提供产生这些文件的可运行程序）以及完整的模型训练评估程序和日志。

BERT-SST2-Prod项目提供了基于reprod_log的5个验收点对齐验收示例，具体代码地址为：https://github.com/JunnYu/BERT-SST2-Prod/tree/main/pipeline，每个文件夹中的README.md文档提供了使用说明。

InsightFace项目中提供了TIPC基础链条验收点的验收示例，参考代码地址为：https://github.com/deepinsight/insightface/blob/master/recognition/arcface_paddle/test_tipc/readme.md，更多关于TIPC基础链条测试接入规范的代码可以参考：https://github.com/PaddlePaddle/models/blob/tipc/docs/tipc_test/development_specification_docs/train_infer_python.md

3. 论文复现理论知识及实战

3.1 模型结构对齐

对齐模型结构时，一般有3个主要步骤：

网络结构代码转换
权重转换
模型组网正确性验证

下面详细介绍这3个部分。

3.1.1 网络结构代码转换

【基本流程】

【注意事项】

【实战】

3.1.2 权重转换

【基本流程】

组网代码转换完成之后，需要对模型权重进行转换，如果PyTorch repo中已经提供权重，那么可以直接下载并进行后续的转换；如果没有提供，则可以基于PyTorch代码，随机生成一个初始化权重(定义完model以后，使用torch.save() API保存模型权重)，然后进行权重转换。

【注意事项】

在权重转换的时候，需要注意paddle.nn.Linear以及paddle.nn.BatchNorm2D等API的权重保存格式和名称等与PyTorch稍有diff，具体内容可以参考4.1章节。

【实战】

BERT的代码转换脚本可以在这里查看：https://github.com/JunnYu/BERT-SST2-Prod/blob/main/pipeline/weights/torch2paddle.py，

注意：运行该代码需要首先下载Huggingface的BERT预训练模型到该目录下，下载地址为：https://huggingface.co/bert-base-uncased/blob/main/pytorch_model.bin

# https://github.com/JunnYu/BERT-SST2-Prod/blob/main/pipeline/weights/torch2paddle.py

from collections import OrderedDict

import numpy as np
import paddle
import torch
from paddlenlp.transformers import BertForPretraining as PDBertForMaskedLM
from transformers import BertForMaskedLM as PTBertForMaskedLM


def convert_pytorch_checkpoint_to_paddle(
        pytorch_checkpoint_path="pytorch_model.bin",
        paddle_dump_path="model_state.pdparams",
        version="old", ):
    hf_to_paddle = {
        "embeddings.LayerNorm": "embeddings.layer_norm",
        "encoder.layer": "encoder.layers",
        "attention.self.query": "self_attn.q_proj",
        "attention.self.key": "self_attn.k_proj",
        "attention.self.value": "self_attn.v_proj",
        "attention.output.dense": "self_attn.out_proj",
        "intermediate.dense": "linear1",
        "output.dense": "linear2",
        "attention.output.LayerNorm": "norm1",
        "output.LayerNorm": "norm2",
        "predictions.decoder.": "predictions.decoder_",
        "predictions.transform.dense": "predictions.transform",
        "predictions.transform.LayerNorm": "predictions.layer_norm",
    }
    do_not_transpose = []
    if version == "old":
        hf_to_paddle.update({
            "predictions.bias": "predictions.decoder_bias",
            ".gamma": ".weight",
            ".beta": ".bias",
        })
        do_not_transpose = do_not_transpose + ["predictions.decoder.weight"]

    pytorch_state_dict = torch.load(
        pytorch_checkpoint_path, map_location="cpu")
    paddle_state_dict = OrderedDict()
    for k, v in pytorch_state_dict.items():
        is_transpose = False
        if k[-7:] == ".weight":
            # embeddings.weight and LayerNorm.weight do not transpose
            if all(d not in k for d in do_not_transpose):
                if ".embeddings." not in k and ".LayerNorm." not in k:
                    if v.ndim == 2:
                        v = v.transpose(0, 1)
                        is_transpose = True
        oldk = k
        for hf_name, pd_name in hf_to_paddle.items():
            k = k.replace(hf_name, pd_name)

        # add prefix `bert.`
        if "bert." not in k and "cls." not in k and "classifier" not in k:
            k = "bert." + k

        print(f"Converting: {oldk} => {k} | is_transpose {is_transpose}")
        paddle_state_dict[k] = v.data.numpy()

    paddle.save(paddle_state_dict, paddle_dump_path)


def compare(out_torch, out_paddle):
    out_torch = out_torch.detach().numpy()
    out_paddle = out_paddle.detach().numpy()
    assert out_torch.shape == out_paddle.shape
    abs_dif = np.abs(out_torch - out_paddle)
    mean_dif = np.mean(abs_dif)
    max_dif = np.max(abs_dif)
    min_dif = np.min(abs_dif)
    print("mean_dif:{}".format(mean_dif))
    print("max_dif:{}".format(max_dif))
    print("min_dif:{}".format(min_dif))


def test_forward():
    paddle.set_device("cpu")
    model_torch = PTBertForMaskedLM.from_pretrained("./bert-base-uncased")
    model_paddle = PDBertForMaskedLM.from_pretrained("./bert-base-uncased")
    model_torch.eval()
    model_paddle.eval()
    np.random.seed(42)
    x = np.random.randint(
        1, model_paddle.bert.config["vocab_size"], size=(4, 64))
    input_torch = torch.tensor(x, dtype=torch.int64)
    out_torch = model_torch(input_torch)[0]

    input_paddle = paddle.to_tensor(x, dtype=paddle.int64)
    out_paddle = model_paddle(input_paddle)[0]

    print("torch result shape:{}".format(out_torch.shape))
    print("paddle result shape:{}".format(out_paddle.shape))
    compare(out_torch, out_paddle)


if __name__ == "__main__":
    convert_pytorch_checkpoint_to_paddle(
        "./bert-base-uncased/pytorch_model.bin",
        "./bert-base-uncased/model_state.pdparams")
    test_forward()
    # torch result shape:torch.Size([4, 64, 30522])
    # paddle result shape:[4, 64, 30522]
    # mean_dif:1.666686512180604e-05
    # max_dif:0.00015211105346679688
    # min_dif:0.0

运行完成之后，会在当前目录生成model_state.pdparams文件，即为转换后的PaddlePaddle预训练模型。 Tips: 由于paddlenlp中已有转换后的bert-base-uncased模型，因此可以一键加载，程序会自动下载对应权重！

3.1.3 模型组网正确性验证

【基本流程】

定义PyTorch模型，加载权重，固定seed，基于numpy生成随机数，转换为PyTorch可以处理的tensor，送入网络，获取输出，使用reprod_log保存结果。
定义PaddlePaddle模型，加载权重，固定seed，基于numpy生成随机数，转换为PaddlePaddle可以处理的tensor，送入网络，获取输出，使用reprod_log保存结果。
使用reprod_log排查diff，小于阈值，即可完成自测。

【注意事项】

模型在前向对齐验证时，需要调用model.eval()方法，保证组网中的随机量被关闭，比如BatchNorm、Dropout等。
给定相同的输入数据，为保证可复现性，如果有随机数生成，固定相关的随机种子。
输出diff可以使用np.mean(np.abs(o1 - o2))进行计算，一般小于1e-6的话，可以认为前向没有问题。如果最终输出结果diff较大，可以使用二分的方法进行排查，比如说BERT，包含1个embdding层、12个transformer-block以及最后的MLM head层，那么完成模型组网和权重转换之后，如果模型输出没有对齐，可以尝试输出中间某一个transformer-block的tensor进行对比，如果相同，则向后进行排查；如果不同，则继续向前进行排查，以此类推，直到找到导致没有对齐的操作。

【实战】

BERT模型组网正确性验证可以参考如下示例代码： https://github.com/JunnYu/BERT-SST2-Prod/tree/main/pipeline/Step1

【验收】

对于待复现的项目，前向对齐验收流程如下。

准备输入：fake data
- 使用参考代码的dataloader，生成一个batch的数据，保存下来，在前向对齐时，直接从文件中读入。
- 固定随机数种子，生成numpy随机矩阵，转化tensor
保存输出：
- PaddlePaddle/PyTorch：dict，key为tensor的name（自定义），value为tensor的值。最后将dict保存到文件中。建议命名为forward_paddle.npy和forward_torch.npy。
自测：使用reprod_log加载2个文件，使用report功能，记录结果到日志文件中，建议命名为forward_diff_log.txt，观察diff，二者diff小于特定的阈值即可。
提交内容：新建文件夹，将forward_paddle.npy、forward_torch.npy与forward_diff_log.txt文件放在文件夹中，后续的输出结果和自查日志也放在该文件夹中，一并打包上传即可。
注意：
- PaddlePaddle与PyTorch保存的dict的key需要保持相同，否则report过程可能会提示key无法对应，从而导致report失败，之后的【验收】环节也是如此。
- 如果是固定随机数种子，建议将fake data保存到dict中，方便check参考代码和PaddlePaddle的输入是否一致。

3.2 验证/测试集数据读取对齐

【基本流程】

对于一个数据集，一般有以下一些信息需要重点关注

数据集名称、下载地址
训练集/验证集/测试集

PaddlePaddle中数据集相关的API为paddle.io.Dataset，PyTorch中对应为torch.utils.data.Dataset，二者功能一致，在绝大多数情况下，可以使用该类构建数据集。它是描述Dataset方法和行为的抽象类，在具体实现的时候，需要继承这个基类，实现其中的__getitem__和__len__方法。除了参考代码中相关实现，也可以参考待复现论文中的说明。

复现完Dataset之后，可以构建Dataloader，对数据进行组batch、批处理，送进网络进行计算。

paddle.io.DataLoader可以进行数据加载，将数据分成批数据，并提供加载过程中的采样。PyTorch对应的实现为torch.utils.data.DataLoader，二者在功能上一致，只是在参数方面稍有diff：（1）PaddlePaddle缺少对pin_memory等参数的支持；（2）PaddlePaddle增加了use_shared_memory参数来选择是否使用共享内存加速数据加载过程。

【注意事项】

论文中一般会提供数据集的名称以及基本信息。复现过程中，我们在下载完数据之后，建议先检查下是否和论文中描述一致，否则可能存在的问题有：

数据集版本不同，比如论文中使用了cnn_dailymail的v3.0.0版本数据集，但是我们下载的是cnn_dailymail的v1.0.0版本数据集，如果不对其进行检查，可能会导致我们最终训练的数据量等与论文中有diff
数据集使用方式不同，有些论文中，可能只是抽取了该数据集的子集进行方法验证，此时需要注意抽取方法，需要保证抽取出的子集完全相同。
在评估指标对齐时，我们可以固定batch size，关闭Dataloader的shuffle操作。

此外，

有些自定义的数据处理方法，如果不涉及到深度学习框架的部分，可以直接复用。
对于特定任务中的数据预处理方法，比如说Tokenizer，如果没有现成的API可以调用，可以参考PaddleNLP套件中的一些实现方法，比如BertTokenizer, XLNetTokenizer等。

【实战】

BERT模型复现过程中，数据预处理和Dataset、Dataloader的检查可以参考该文件： https://github.com/JunnYu/BERT-SST2-Prod/blob/main/pipeline/Step2/test_data.py

3.3 评估指标对齐

【基本流程】

构建fake数据
使用PyTorch的指标获取评估结果，使用reprod_log保存结果。
使用PaddlePaddle的指标获取评估结果，使用reprod_log保存结果。
使用reprod_log排查diff，小于阈值，即可完成自测。

【注意事项】

在评估指标对齐之前，需要注意保证对于该模块，给定相同的输入，二者输出完全一致。

【实战】

【验收】

对于待复现的项目，评估指标对齐验收流程如下。

输入：dataloader, model
输出：
- PaddlePaddle/PyTorch：dict，key为tensor的name（自定义），value为具体评估指标的值。最后将dict使用reprod_log保存到各自的文件中，建议命名为metric_paddle.npy和metric_torch.npy。
- 自测：使用reprod_log加载2个文件，使用report功能，记录结果到日志文件中，建议命名为metric_diff_log.txt，观察diff，二者diff小于特定的阈值即可。
提交内容：将metric_paddle.npy、metric_torch.npy与metric_diff_log.txt文件备份到3.1节验收环节新建的文件夹中，后续的输出结果和自查日志也放在该文件夹中，一并打包上传即可。
注意：
- 数据需要是真实数据
- 需要检查论文是否只是抽取了验证集/测试集中的部分文件，如果是的话，则需要保证PaddlePaddle和参考代码中dataset使用的数据集一致。

3.4 损失函数对齐

【基本流程】

PaddlePaddle提供了对软标签、指定softmax计算纬度的支持。

如果论文中使用的loss function没有指定的API，则可以尝试通过组合API的方式，实现自定义的loss function。

具体流程如下。

定义PyTorch模型，加载权重，加载fake data 和 fake label（或者固定seed，基于numpy生成随机数），转换为PyTorch可以处理的tensor，送入网络，获取loss结果，使用reprod_log保存结果。
定义PaddlePaddle模型，加载fake data 和 fake label（或者固定seed，基于numpy生成随机数），转换为PaddlePaddle可以处理的tensor，送入网络，获取loss结果，使用reprod_log保存结果。
使用reprod_log排查diff，小于阈值，即可完成自测。

【注意事项】

计算loss的时候，建议设置model.eval()，避免模型中随机量的问题。

【实战】

本部分可以参考文档：https://github.com/JunnYu/BERT-SST2-Prod/blob/main/pipeline/Step3/README.md。

【验收】

对于待复现的项目，损失函数对齐验收流程如下。

输入：fake data & label
输出：
- PaddlePaddle/PyTorch：dict，key为tensor的name（自定义），value为具体评估指标的值。最后将dict使用reprod_log保存到各自的文件中，建议命名为loss_paddle.npy和loss_torch.npy。
自测：使用reprod_log加载2个文件，使用report功能，记录结果到日志文件中，建议命名为loss_diff_log.txt，观察diff，二者diff小于特定的阈值即可。
提交内容：将loss_paddle.npy、loss_torch.npy与loss_diff_log.txt文件备份到3.1节验收环节新建的文件夹中，后续的输出结果和自查日志也放在该文件夹中，一并打包上传即可。

3.5 优化器对齐

【基本流程】

PaddlePaddle中的optimizer有paddle.optimizer等一系列实现，PyTorch中则有torch.Optim等一系列实现。

【注意事项】

以SGD等优化器为例，PaddlePaddle与Pytorch的优化器区别主要如下。

PaddlePaddle在优化器中增加了对梯度裁剪的支持，在训练GAN或者一些NLP、多模态任务中，这个用到的比较多。
PaddlePaddle的SGD不支持动量更新、动量衰减和Nesterov动量，这里需要使用paddle.optimizer.Momentum API实现这些功能。

【实战】

3.6 学习率对齐

【基本流程】

学习率策略主要用于指定训练过程中的学习率变化曲线，这里可以将定义好的学习率策略，不断step，即可得到对应的学习率值，可以将学习率值保存在列表或者矩阵中，使用reprod_log工具判断二者是否对齐。

【注意事项】

PaddlePaddle中，需要首先构建学习率策略，再传入优化器对象中；对于PyTorch，如果希望使用更丰富的学习率策略，需要先构建优化器，再传入学习率策略类API。

【实战】

3.7 正则化策略对齐

【基本流程】

L2正则化策略用于模型训练，可以防止模型对训练数据过拟合，L1正则化可以用于得到稀疏化的权重矩阵，PaddlePaddle中有paddle.regularizer.L1Decay与paddle.regularizer.L2Decay API。PyTorch中，torch.optim集成的优化器只有L2正则化方法，直接在构建optimizer的时候，传入weight_decay参数即可。

【注意事项】

PaddlePaddle的optimizer中支持L1Decay/L2Decay。

【实战】

3.8 反向对齐

【基本流程】

此处可以通过numpy生成假的数据和label（推荐），也可以准备固定的真实数据。具体流程如下。

检查两个代码的训练超参数全部一致，如优化器及其超参数、学习率、BatchNorm/LayerNorm中的eps等。
将PaddlePaddle与PyTorch网络中涉及的所有随机操作全部关闭，如dropout、drop_path等，推荐将模型设置为eval模式（model.eval()）
加载相同的weight dict（可以通过PyTorch来存储随机的权重），将准备好的数据分别传入网络并迭代，观察二者loss是否一致（此处batch-size要一致，如果使用多个真实数据，要保证传入网络的顺序一致）
如果经过2轮以上，loss均可以对齐，则基本可以认为反向对齐。

【注意事项】

如果第一轮loss就没有对齐，则需要仔细排查一下模型前向部分。
如果第二轮开始，loss开始无法对齐，则首先需要排查下超参数的差异，没问题的话，在loss.backward()方法之后，使用tensor.grad获取梯度值，二分的方法查找diff，定位出PaddlePaddle与PyTorch梯度无法对齐的API或者操作，然后进一步验证并反馈。

梯度的打印方法示例代码如下所示，注释掉的内容即为打印网络中所有参数的梯度shape。

    # 代码地址：https://github.com/JunnYu/BERT-SST2-Prod/blob/2c372656bb1b077b0073c50161771d9fa9d8de5a/pipeline/Step4/test_bp.py#L12
    def pd_train_some_iters(model,
                        criterion,
                        optimizer,
                        fake_data,
                        fake_label,
                        max_iter=2):
        model = PDBertForSequenceClassification.from_pretrained("bert-base-uncased", num_classes=2)
        classifier_weights = paddle.load("../classifier_weights/paddle_classifier_weights.bin")
        model.load_dict(classifier_weights)
        model.eval()
        criterion = paddle.nn.CrossEntropy()
        decay_params = [
            p.name for n, p in model.named_parameters()
            if not any(nd in n for nd in ["bias", "norm"])
        ]
        optimizer = paddle.optimizer.AdamW(learning_rate=3e-5, parameters=model.parameters(),
            weight_decay=1e-2,
            epsilon=1e-6,
            apply_decay_param_fun=lambda x: x in decay_params)
        loss_list = []
        for idx in range(max_iter):
            input_ids = paddle.to_tensor(fake_data)
            labels = paddle.to_tensor(fake_label)

            output = model(input_ids)
            loss = criterion(output, labels)
            loss.backward()
            optimizer.step()
            optimizer.clear_grad()
            loss_list.append(loss)
        return loss_list

【实战】

【验收】

对于待复现的项目，反向对齐验收流程如下。

输入：fake data & label
输出：
- PaddlePaddle/PyTorch：dict，key为tensor的name（自定义），value为具体loss的值。最后将dict使用reprod_log保存到各自的文件中，建议命名为bp_align_paddle.npy和bp_align_torch.npy。
自测：使用reprod_log加载2个文件，使用report功能，记录结果到日志文件中，建议命名为bp_align_diff_log.txt，观察diff，二者diff小于特定的阈值即可。
提交内容：将bp_align_paddle.npy、bp_align_torch.npy与bp_align_diff_log.txt文件备份到3.1节验收环节新建的文件夹中，后续的输出结果和自查日志也放在该文件夹中，一并打包上传即可。
注意：
- loss需要保存至少2轮以上。
- 在迭代的过程中，需要保证模型的batch size等超参数完全相同
- 在迭代的过程中，需要设置model.eval()，使用固定的假数据，同时加载相同权重的预训练模型。

3.9 训练集数据读取对齐

【基本流程】

该部分内容与3.2节内容基本一致，参考PyTorch的代码，实现训练集数据读取与预处理模块即可。

【注意事项】

该部分内容，可以参考3.8节的自测方法，将输入的fake data & label替换为训练的dataloader，但是需要注意的是：

在使用train dataloader的时候，建议设置random seed，对于PyTorch来说

#initialize random seed
torch.manual_seed(config.SEED)
torch.cuda.manual_seed_all(config.SEED)
np.random.seed(config.SEED)
random.seed(config.SEED)

对于PaddlePaddle来说

paddle.seed(config.SEED)
np.random.seed(config.SEED)
random.seed(config.SEED)

3.10 网络初始化对齐

【基本流程】

下面给出了部分初始化API的映射表。

PaddlePaddle API

PyTorch API

paddle.nn.initializer.KaimingNormal

torch.nn.init.kaiming_normal_

paddle.nn.initializer.KaimingUniform

torch.nn.init.kaiming_uniform_

paddle.nn.initializer.XavierNormal

torch.nn.init.xavier_normal_

paddle.nn.initializer.XavierUniform

torch.nn.init.xavier_uniform_

【注意事项】

【实战】

3.11 模型训练对齐

【基本流程】

完成前面的步骤之后，就可以开始全量数据的训练对齐任务了。按照下面的步骤进行训练对齐。

准备train/eval data, loader, model
对model按照论文所述进行初始化(如果论文中提到加载了预训练模型，则按需加载pretrained model)
加载配置，开始训练，迭代得到最终模型与评估指标，将评估指标使用reprod_log保存到文件中。
将PaddlePaddle提供的参考指标使用reprod_log提交到另一个文件中。
使用reprod_log排查diff，小于阈值，即可完成自测。

【注意事项】

【强烈】建议先做完反向对齐之后再进行模型训练对齐，二者之间的不确定量包括：数据集、PaddlePaddle与参考代码在模型training mode下的区别，初始化参数。
在训练对齐过程中，受到较多随机量的影响，精度有少量diff是正常的，以SST-2数据集的分类为例，diff在0.15%以内可以认为是正常的，这里可以根据不同的任务，适当调整对齐检查的阈值(ReprodDiffHelper.report函数中的diff_threshold参数)。
训练过程中的波动是正常的，如果最终收敛结果不一致，可以
- 仔细排查Dropout、BatchNorm以及其他组网模块及超参是否无误。
- 基于参考代码随机生成一份预训练模型，转化为PaddlePaddle的模型，并使用PaddlePaddle加载训练，对比二者的收敛曲线与最终结果，排查初始化影响。
- 使用参考代码的Dataloader生成的数据，进行模型训练，排查train dataloader的影响。

【实战】

【验收】

对于待复现的项目，训练对齐验收流程如下。

输入：train/eval dataloader, model
输出：
- PaddlePaddle：dict，key为保存值的name（自定义），value为具体评估指标的值。最后将dict使用reprod_log保存到文件中，建议命名为train_align_paddle.npy。
- benchmark：dict，key为保存值的name（自定义），value为论文复现赛的评估指标要求的值。最后将dict使用reprod_log保存到文件中，建议命名为train_align_benchmark.npy。
自测：使用reprod_log加载2个文件，使用report功能，记录结果到日志文件中，建议命名为train_align_diff_log.txt，观察diff，二者diff小于特定的阈值即可。
提交内容：将train_align_paddle.npy、train_align_benchmark.npy与train_align_diff_log.txt文件备份到3.1节验收环节新建的文件夹中，最终一并打包上传即可。

3.12 单机多卡训练

如果希望使用单机多卡提升训练效率，可以从以下几个过程对代码进行修改。

3.12.1 数据读取

对于PaddlePaddle来说，多卡数据读取这块主要的变化在sampler

对于单机单卡，sampler实现方式如下所示。

train_sampler = paddle.io.RandomSampler(dataset)
train_batch_sampler = paddle.io.BatchSampler(
    sampler=train_sampler, batch_size=args.batch_size)

对于单机多卡任务，sampler实现方式如下所示。

train_batch_sampler = paddle.io.DistributedBatchSampler(
        dataset=dataset,
        batch_size=args.batch_size,
        shuffle=True,
        drop_last=False
    )

注意：在这种情况下，单机多卡的代码仍然能够以单机单卡的方式运行，因此建议以这种sampler方式进行论文复现。

3.12.2 多卡模型初始化

如果以多卡的方式运行，需要初始化并行训练环境，代码如下所示。

if paddle.distributed.get_world_size() > 1:
        paddle.distributed.init_parallel_env()

在模型组网并初始化参数之后，需要使用paddle.DataParallel()对模型进行封装，使得模型可以通过数据并行的模式被执行。代码如下所示。

if paddle.distributed.get_world_size() > 1:
    model = paddle.DataParallel(model)

3.12.3 模型保存、日志保存等其他模块

以模型保存为例，我们只需要在0号卡上保存即可，否则多个trainer同时保存的话，可能会造成写冲突，导致最终保存的模型不可用。

3.12.4 程序启动方式

对于单机单卡或者单机多卡的启动脚本可以参考：https://github.com/PaddlePaddle/PaddleNLP/tree/develop/examples/language_model/bert

对于单机单卡，启动脚本如下所示

unset CUDA_VISIBLE_DEVICES
python -m paddle.distributed.launch --gpus "0" run_glue.py \
    --model_type bert \
    --model_name_or_path bert-base-uncased \
    --task_name SST-2 \
    --max_seq_length 128 \
    --batch_size 32   \
    --learning_rate 2e-5 \
    --num_train_epochs 3 \
    --logging_steps 1 \
    --save_steps 500 \
    --output_dir ./tmp/ \
    --device gpu \
    --use_amp False

对于单机多卡（示例中为4卡训练），启动脚本如下所示。

unset CUDA_VISIBLE_DEVICES
python -m paddle.distributed.launch --gpus "0,1,2,3" run_glue.py \
    --model_type bert \
    --model_name_or_path bert-base-uncased \
    --task_name SST-2 \
    --max_seq_length 128 \
    --batch_size 32   \
    --learning_rate 2e-5 \
    --num_train_epochs 3 \
    --logging_steps 1 \
    --save_steps 500 \
    --output_dir ./tmp/ \
    --device gpu \
    --use_amp False

注意：这里4卡训练时，虽然单卡的batch size没有变化(32)，但是总卡的batch size相当于是单卡的4倍，因此学习率也设置为了单卡时的4倍。

【实战】

3.13 TIPC基础链条测试接入

【基本流程】

完成模型的训练、导出inference、基于PaddleInference的推理过程的文档与代码。参考链接：

【注意事项】

基础链条测试接入时，只需要验证少量数据训练模型，少量数据预测的模式，只需要在Linux下验证通过即可。
在文档中需要给出一键测试的脚本与使用说明。

【实战】

【验收】

TIPC基础链条测试文档清晰，test_train_inference_python.sh脚本可以成功执行并返回正确结果。

4. 论文复现注意事项与FAQ

4.1 通用注意事项

需要仔细对照PaddlePaddle与参考代码的优化器参数实现，确保优化器参数严格对齐。

torch.stack([
    per_locations[:, 0] - per_box_regression[:, 0],
    per_locations[:, 1] - per_box_regression[:, 1],
    per_locations[:, 0] + per_box_regression[:, 2],
    per_locations[:, 1] + per_box_regression[:, 3],
], dim=1)

如果遇到Paddle不包含的OP或者API，比如(1) 如果是某些算法实现存在调用了外部OP，而且Paddle也不包含该OP实现；(2) 其他框架存在的API或者OP，但是Paddle中没有这些OP。此时：
- 对于Paddle资深用户来说，可以尝试使用Paddle的自定义算子功能，存在一定的代码开发量。
对于PaddlePaddle来说，通过paddle.set_device函数（全局）来确定模型结构是运行在什么设备上，对于torch来说，是通过model.to("device") （局部）来确定模型结构的运行设备，这块在复现的时候需要注意。

4.2 模型结构对齐

4.2.1 API

pack_padded_sequence和pad_packed_sequence这两个API目前PaddlePaddle中没有实现，可以直接在RNN或者LSTM的输入中传入sequence_length来实现等价的功能。

4.2.2 权重转换

在权重转换的时候，不能只关注参数的名称，比如说有些paddle.nn.Linear层，但是定义的变量名称为conv，这种也是需要进行权重转置的。
权重转换时，建议同时打印 Paddle 和 PyTorch 对应权重的shape，以防止名称相似但是shape不同的参数权重转换报错。

4.2.3 模型组网正确性验证

在论文复现的过程中，可能会遇到一些经典的模型结构，比如Transformer等，Paddle官方也提供了Transformer的实现，但是这里建议自己根据PyTorch代码重新实现一遍，一方面是对整体的模型结构更加熟悉，另一方面也保证模型结构和权重完全对齐。
在复杂的网络结构中，如果前向结果对不齐，可以按照模块排查问题，比如依次获取embedding、transformer-block、mlm-head输出等，看下问题具体出现在哪个子模块，再进到子模块详细排查。
网络结构对齐后，尽量使用训练好的预训练模型和真实的数据进行前向diff计算，这样更准确。

4.3 验证/测试集数据读取对齐

需要仔细排查数据预处理，不仅包含的预处理方法相同，也需要保证预处理的流程相同，比如padding策略不同和截断策略的不同会导致得到最终的结果是不同的。

4.4 评估指标对齐

4.5 损失函数对齐

paddle.nn.CrossEntropyLoss 默认是在最后一维(axis=-1)计算损失函数，而 torch.nn.CrossEntropyLoss 是在axis=1的地方计算损失函数，因此如果输入的维度大于2，这里需要保证计算的维(axis)相同，否则可能会出错。
在生成模型中会遇到梯度损失，需要对模型中的算子求二次梯度，目前MaxPooling暂时不支持二次梯度，如果复现的过程中遇到了需要对MaxPooling求二次梯度的情况，可以和Paddle官方开发同学反馈，进一步确认解决方案。
在保存损失函数值的时候，注意要使用paddle.no_grad，或者仅仅保存转换成 numpy 的数组，避免损失没有析构导致内存泄漏问题。

# 错误示范
loss = celoss(pred, label)
avg_loss += loss
# 正确示范1
loss = celoss(pred, label)
avg_loss += loss.numpy()
# 正确示范2
loss = celoss(pred, label)
with paddle.no_grad()
    avg_loss += loss

4.6 优化器对齐

有些模型训练时，会使用梯度累加策略，即累加到一定step数量之后才进行参数更新，这时在实现上需要注意对齐。
在某些任务中，比如说深度学习可视化、可解释性等任务中，一般只要求模型前向过程，不需要训练，此时优化器、学习率等用于模型训练的模块对于该类论文复现是不需要的。
在文本分类领域，大多数Transformer模型都采用了AdamW优化器，并且会设置weigh decay，同时部分参数设置为no weight decay，例如位置编码的参数通常设置为no weight decay，no weight decay参数设置不正确，最终会有明显的精度损失，需要特别注意。一般可以通过分析模型权重来发现该问题，分别计算官方模型和复现模型每层参数权重的平均值、方差，对每一层依次对比，有显著差异的层可能存在问题，因为在weight decay的作用下，参数权重数值会相对较小，而未正确设置no weight decay，则会造成该层参数权重数值异常偏小。

4.7 学习率对齐

PaddlePaddle 中参数的学习率受到优化器学习率和ParamAttr中设置的学习率影响，因此跟踪学习率需要将二者结合进行跟踪。
对于复现代码和参考代码，学习率在整个训练过程中在相同的轮数相同的iter下应该保持一致，可以通过reprod_log工具、打印学习率值或者可视化二者学习率的log来查看diff。
有些网络的学习率策略比较细致，比如带warmup的学习率策略，这里需要保证起始学习率等参数都完全一致。

4.8 正则化策略对齐

4.9 反向对齐

反向对齐时，如果第二轮开始，loss开始无法对齐，则首先需要排查下超参数的差异，没问题的话，在loss.backward()方法之后，使用tensor.grad获取梯度值，二分的方法查找diff，定位出PaddlePaddle与PyTorch梯度无法对齐的API或者操作，然后进一步验证。第3章中给出了获取所有参数的梯度方法，如果只希望打印特定参数的梯度，可以用下面的方式。

import paddle

def print_hook_fn(grad):
    print(grad)

x = paddle.to_tensor([0., 1., 2., 3.], stop_gradient=False)
h = x.register_hook(print_hook_fn)
w = x * 4
w.backward()
# backward之后会输出下面的内容
#     Tensor(shape=[4], dtype=float32, place=CPUPlace, stop_gradient=False,
#            [4., 4., 4., 4.])

4.10 训练集数据读取对齐

4.10.1 API

在前向过程中，如果数据预处理过程运行出错，请先将 paddle.io.DataLoader 的 num_workers 参数设为0，然后根据单个进程下的报错日志定位出具体的bug。

4.10.2 数据预处理

如果数据处理过程中涉及到随机数生成，建议固定seed (np.random.seed(0), random.seed(0))，查看复现代码和参考代码处理后的数据是否有diff。
对文本进行tokenizer处理时，需要确定文本的截断策略，padding策略。

4.11 网络初始化对齐

对于不同的深度学习框架，网络初始化在大多情况下，即使值的分布完全一致，也无法保证值完全一致，这里也是论文复现中不确定性比较大的地方。如果十分怀疑初始化导致的问题，建议将参考的初始化权重转成paddle模型，加载该初始化模型训练，看下收敛精度。
CNN对于模型初始化相对来说没有那么敏感，在迭代轮数与数据集足够的情况下，最终精度指标基本接近；而transformer系列模型对于初始化比较敏感，在transformer系列模型训练对齐过程中，建议对这一块进行重点检查。

4.12 模型训练对齐

4.12.1 训练对齐通用问题

有条件的话，复现工作之前最好先基于官方代码完成训练，保证与官方指标能够对齐，并且将训练策略和训练过程中的关键指标记录保存下来，比如每个epoch的学习率、Train Loss、Eval Loss、Eval Acc等，在复现网络的训练过程中，将关键指标保存下来，这样可以将两次训练中关键指标的变化曲线绘制出来，能够很方便的进行对比。
训练过程中可以对loss或者acc进行可视化，和竞品loss或者acc进行直观的对比；如果训练较大的数据集，1次完整训练的成本比较高，此时可以隔一段时间查看一下，如果精度差异比较大，建议先停掉实验，排查原因。
如果训练的过程中出nan，一般是因为除0或者log0的情况，可以着重看下几个部分：
- 如果有预训练模型的话，可以确认下是否加载正确
- 模型结构中计算loss的部分是否有考虑到正样本为0的情况
- 也可能是某个API的数值越界导致的，可以测试较小的输入是否还会出现nan。
如果训练过程中如果出现不收敛的情况，可以
- 简化网络和数据，实验是否收敛；
- 如果是基于原有实现进行改动，可以尝试控制变量法，每次做一个改动，逐个排查；
- 检查学习率是否过大、优化器设置是否合理，排查下weight decay是否设置正确；
- 保存不同step之间的模型参数，观察模型参数是否更新。

4.12.2 细分场景特定问题

小数据上指标波动可能比较大，时间允许的话，可以跑多次实验，取平均值。

4.13 TIPC基础链条测试接入

在接入时，建议将少量用于测试的数据打包(tar -zcf lite_data.tar data/)，放在data目录下，后续在进行环境准备的时候，直接解压该压缩包即可。
接入过程中，需要依赖于inference模型，因此建议首先提供模型导出和基于inference模型的预测脚本，之后再接入TIPC测试代码与文档。

PreviousImplementation NextImplementation

Last updated 2 years ago