基于Amazon SageMaker完成ERNIE机器学习任务（一）—— 通过自带容器方法实现自定义算法的模型预训练

在近日全球规模最大的语义评测比赛 SemEval 2020中，语义理解框架ERNIE斩获了包括视觉媒体的关键文本片段挖掘、多语攻击性语言检测和混合语种的情感分析等在内的5项世界冠军。它所提出的知识增强语义表示模型，以及2.0版本构建的持续学习语义理解框架，在中英文等多个任务上超越业界最好模型。尤其在多项中文NLP任务中，ERNIE的结果都能与 BERT 持平或有所提升。

ERNIE（Enhanced Representation through Knowledge Integration）旨在使用纯文本捕获语义模式的基础之上，进一步通过知识增强的方式，结合语义中的知识关系来提供更加丰富的结构化表现。

ERNIE 1.0在发布之初，针对BERT（Pre-training of Deep Bidirectional Transformers for Language Understanding ）以字为单位的建模方式无法学习到知识单元的完整语义表示等问题，提出使用知识实体来学习完整概念的语义表示，并引入多源的数据语料进行训；ERNIE 2.0则提出了一个预训练框架，通过连续学习（Continual Learning）方式，使用多个不同的任务顺序训练一个模型，这样，下个任务就会利用到前面任务的学习成果，不断积累新的知识。面对新任务，可以直接使用历史任务学习到的参数来初始化模型，以获取更好的训练效果。

Amazon SageMaker 是亚马逊云计算（Amazon Web Service）的一项完全托管的机器学习平台服务，算法工程师和数据科学家可以基于此平台快速构建、训练和部署机器学习 (ML) 模型，而无需关注底层资源的管理和运维工作。它作为一个工具集，提供了用于机器学习的端到端的所有组件，包括数据标记、数据处理、算法设计、模型训练、训练调试、超参调优、模型部署、模型监控等，使得机器学习变得更为简单和轻松；同时，它依托于AWS强大的底层资源，提供了高性能CPU、GPU、弹性推理加速卡等丰富的计算资源和充足的算力，使得模型研发和部署更为轻松和高效。

ERNIE是基于开源深度学习平台——飞桨（PaddlePaddle）来设计和实现的，本系列博客会重点介绍如何通过Amazon SageMaker来实现基于此类第三方框架和自定义算法的模型预训练、增量训练和推理部署等机器学习任务，实现的技术细节和操作方法同样适用于其他类似的使用场景。

本文首先会重点介绍在Amazon SageMaker中使用ERNIE来进行模型预训练（pretraining）任务的方法。

Amazon SageMaker模型训练介绍

Amazon SageMaker为机器学习任务提供了基础算力和操作平台，在该平台上启动模型训练任务，包括如下过程：从Amazon SageMaker的计算集群中启用指定算力的机器实例，实例加载包含了算法和框架在内的容器镜像，并且加载存放于外部存储（如S3）的训练、验证、测试等数据集，启动训练脚本，完成模型迭代，保存模型等。而用户仅需做好相应参数配置，即可通过控制台点击或API调用方式完成。

训练任务的核心在于选择包含算法和框架在内的容器镜像，关于训练镜像的来源，您既可以选择由Amazon SageMaker提供的多种内置算法镜像，也可以选择基于Amazon SageMaker内置框架（TensorFlow、Apache MXNet、PyTorch、Scikit-learn、XGBoost、Chainer）镜像，结合您自己的代码来完成训练。如果您需要使用自己的训练代码，并基于其他第三方框架或自带框架来完成模型训练，也可以通过自带容器的方法基于Amazon SageMaker来实现。

本文会针对最后一种情况，重点介绍在Amazon SageMaker上如何基于PaddlePaddle框架，结合自定义算法来完成ERNIE模型的预训练任务。该方法同样适用于其他自定义框架和算法的类似任务的实现。

通过自带容器方法实现自定义算法的模型预训练

关于ERNIE模型的预训练任务请参见此链接中的“预训练 (ERNIE 1.0)”章节。

如果您在本地机器运行该预训练任务，需要完成以下两项工作：

本地安装PaddlePaddle框架
本地执行训练脚本

为将该任务从本地机器迁移到Amazon SageMaker，我们需要针对这两项工作进行如下调整：

本地安装PaddlePaddle框架 -> 构建适配于SageMaker Container的PaddlePaddle容器

1）Amazon SageMaker是基于容器机制来实现机器学习任务的，对于自带框架和算法的场景，需要自行构建包含目标框架及相关依赖项在内的容器，并推送到Amazon Elastic Container Registry（ECR）镜像注册表中，供SageMaker进行拉取和调用。

2）在本文示例中，该部分工作的工程目录如下，该工程可以部署在SageMaker Jupyter Notebook（推荐）或其他计算资源上。

/<for-docker-directory>/

├── ernie

│ ├── …

├── Dockerfile

├── requirements.txt

└── docker-actions.ipynb

说明：

ernie：为源码中ernie框架实现代码，文件目录中的内容也进行了一些调整，主要包括：
- 将根目录下的config文件夹拷贝到此目录下；
- 为适配接口的调用，修正pretrain_args.py、train.py和pretraining.py三个文件中的部分代码，具体细节请见下文描述。
Dockerfile：Docker描述文件
requirements.txt：为源码工程根目录下依赖项描述文件，这里的requirements.txt去掉paddlepaddle-gpu==1.6.3.post107一项；
docker-actions.ipynb：容器打包和上传代码，以笔记本方式调用。

3）编写Dockerfile，本文示例的Dockerfile及说明如下：

# 拉取预安装 PaddlePaddle 的镜像，具体镜像参考https://www.paddlepaddle.org.cn/documentation/docs/zh/1.7/install/install_Docker.html#docker

FROM paddlepaddle/paddle:1.6.3-gpu-cuda10.0-cudnn7

# 标记维护者信息

MAINTAINER Amazon AI <sage-learner@amazon.com>

# 拷贝requirements.txt到容器代码目录

COPY requirements.txt /opt/ml/code/requirements.txt

# 安装依赖项

RUN pip install -r /opt/ml/code/requirements.txt

# 安装 SageMaker Container

RUN pip install sagemaker-containers==2.6.1

# 将git工程中的ernie文件夹拷贝到容器的/opt/ml/code目录下

COPY ernie /opt/ml/code

# 定义train.py为训练任务脚本

ENV SAGEMAKER_PROGRAM train.py

说明：

SageMaker Container作为一个库，它可以运行脚本、训练算法或部署与 Amazon SageMaker 兼容的模型，它定义了您的安装代码、数据等资源在容器中的存储位置，您需要通过Dockerfile将要运行的代码保存在SageMaker 容器所期望的位置（/opt/ml/code），具体内容请参见：

https://docs.aws.amazon.com/zh_cn/sagemaker/latest/dg/amazon-sagemaker-containers.html，https://github.com/aws/sagemaker-containers；

ernie目录也按照SageMaker Container目录要求拷贝到/opt/ml/code；
设置环境变量SAGEMAKER_PROGRAM，定义train.py为训练任务脚本。

4）执行docker-actions.ipynb内的容器打包和上传代码：

# 设置权限并构建容器

!chmod +x train.py

!docker build -t pd-ernie-pretrain:v1 .

# 获取ECR login

!$(aws ecr get-login --no-include-email --region us-west-2)

# 容器打标签

!docker tag pd-ernie-pretrain:v1 <your-aws-account>.dkr.ecr.<region>.amazonaws.com/<    

repository>:pd-ernie-pretrain

# 将容器推送到ECR

!docker push "<your-aws-account>.dkr.ecr.<region>.amazonaws.com/<         

repository>:pd-ernie-pretrain"

这样，在您AWS账号ECR服务的指定存储库中就包含了一个集成PaddlePaddle框架和ERNIE工程的模型训练容器。请记住该容器在存储库中的名称”<your-aws-account>.dkr.ecr.<region>.amazonaws.com/<repository>:pd-ernie-pretrain”，供Amazon SageMaker后续调用。

本地执行训练脚本 -> 通过API方式在 Amazon SageMaker上启动训练任务

本地执行训练ERNIE预训练的脚本为script/zh_task/pretrain.sh，其中核心的训练命令为：

python ./ernie/train.py --use_cuda True \

                --is_distributed False\

                --use_fast_executor True \

                --weight_sharing True \

                --in_tokens true \

                --batch_size 8192 \

                --vocab_path ./config/vocab.txt \

                --train_filelist ./data/train_filelist \

                --valid_filelist ./data/valid_filelist \

                --validation_steps 100 \

                --num_train_steps 1000000 \

                --checkpoints ./checkpoints \

                --save_steps 10000 \

                --ernie_config_path ./config/ernie_config.json \

                --learning_rate 1e-4 \

                --use_fp16 false \

                --weight_decay 0.01 \

                --max_seq_len 512 \

                --skip_steps 10

该命令形式也是我们在本地机器上执行训练任务的常规方式，现在我们一起看一看如何将该命令转化为API参数在Amazon SageMaker上启动训练任务。

该命令的参数主要包括3个部分：基础配置项（如use_cuda）、输入数据路径（如vocab_path）以及算法超参（如learning_rate）。其中输入数据路径又分为基础配置数据路径（vocab_path、ernie_config_path）和数据集路径（train_filelist、valid_filelist）。在使用Amazon SageMaker进行模型训练过程中，最佳实践是将数据集存放于外部的存储服务中，如Amazon Simple Storage Service (S3)、Amazon Elastic File System (EFS)、Amazon FSx，通知SageMaker拉取相应数据集进行计算任务。因此，这里的train_filelist和valid_filelist不会通过此参数传递方式将一个本地路径输入至训练脚本，而是通过SageMaker的data channel方式指定S3中的数据集的位置。去掉train_filelist和valid_filelist两个参数后，将剩余参数构造如下_hyperparameters的字典对象：

_hyperparameters = {
                            "use_cuda": True,
                            "is_distributed":False,
                            "use_fast_executor":True,
                            "weight_sharing":True,
                            "in_tokens":True,
                            "batch_size":8192,
                            "vocab_path":"./config/vocab.txt",
                            "num_train_steps":10000,
                            "checkpoints":"./checkpoints",
                            "save_steps":1000,
                            "ernie_config_path":"./config/ernie_config.json",
                            "learning_rate":"0.0001",
                            "use_fp16":False,
                            "weight_decay":0.01,
                            "max_seq_len":512,
                            "skip_steps":10,
                            "validation_steps": 100
              }

对于train_filelist和valid_filelist两个文件列表文件，我们首先看一下data路径下的数据组成：

ERNIE/data/

├── demo_train_set.gz

├── demo_valid_set.gz

├── train_filelist

└── valid_filelist

其中demo_train_set.gz和demo_valid_set.gz为编码后的数据文件，train_filelist为数据文件列表描述：

./data/demo_train_set.gz        1.1

在本文示例中，我们扩展数据集及并修正文件列表如下：

ERNIE/data/

├── demo_train_set.gz

├── demo_train_set2.gz

├── demo_train_set3.gz

├── demo_train_set4.gz

├── demo_train_set5.gz

├── demo_valid_set.gz

├── demo_valid_set2.gz

├── train_filelist

└── valid_filelist

train_filelist：

demo_train_set.gz      1.1

demo_train_set2.gz     1.1

demo_train_set3.gz     1.1

demo_train_set4.gz     1.1

demo_train_set5.gz     1.1

valid_filelist：

demo_valid_set.gz      1.1

demo_valid_set2.gz     1.1

修正后，将数据集文件及文件列表上传至S3：

<your-s3-bucket>/ernie/

├── train

│ ├── demo_train_set.gz

│ ├── demo_train_set2.gz

│ ├── demo_train_set3.gz

│ ├── demo_train_set4.gz

│ ├── demo_train_set5.gz

│ ├── train_filelist

├── valid

│ ├── demo_valid_set.gz

│ ├── demo_valid_set2.gz

└─ ├── valid_filelist

上传后，我们构建一个数据通道字典，描述对应数据集在s3的存储位置：

_train_data = 's3://{}/{}/{}'.format(bucket, folder, 'train')
_valid_data = 's3://{}/{}/{}'.format(bucket,  folder, 'valid')
_data_channels = {'train': sagemaker.session.s3_input(_train_data),
               'valid': sagemaker.session.s3_input(_valid_data)}

SageMaker收到此data_channel后会自动从s3对应位置拉取数据，下载到容器/opt/ml/data/<channel_name>/路径下，这里的<channel_name>对应的是字典两个key：train和valid。

因此，为指导训练脚本从/opt/ml/data/<channel_name>/路径下读取训练数据，需要对pretrain_args.py、train.py和pretraining.py进行一些修正（源工程是基于参数中的–train_filelist和–valid_filelist路径进行数据读取的），修正方式如下：

pretrain_args.py

data_g.add_arg("train_filelist",           str,  "",  "Path to training filelist.")
data_g.add_arg("valid_filelist",           str,  "",  "Path to valid filelist.")

修改为

data_g.add_arg("train_filelist",           str,  os.environ['SM_CHANNEL_TRAIN'] + "/train_filelist",  "Path to training filelist.")
data_g.add_arg("valid_filelist",           str,  os.environ['SM_CHANNEL_VALID'] + "/valid_filelist",  "Path to valid filelist.")

其中环境变量os.environ[‘SM_CHANNEL_TRAIN’]即/opt/ml/data/train，os.environ[‘SM_CHANNEL_VALID’]即/opt/ml/data/valid，对应数据集在容器中存储的路径

Pretraining.py


class ErnieDataReader(object):

    def __init__(self,

                 filelist,

                 vocab_path,

                 batch_size=4096,

                 in_tokens=True,

                 max_seq_len=512,

                 shuffle_files=True,

                 random_seed=1,

                 epoch=100,

                 voc_size=0,

                 is_test=False,

                 generate_neg_sample=False):

增加一个参数data_tag

修改为

class ErnieDataReader(object):

    def __init__(self,

                 data_tag,

                 filelist,

                 vocab_path,

                 batch_size=4096,

                 in_tokens=True,

                 max_seq_len=512,

                 shuffle_files=True,

                 random_seed=1,

                 epoch=100,

                 voc_size=0,

                 is_test=False,

                 generate_neg_sample=False):

类内实现增加变量：

self.data_tag = data_tag

方法data_generator增加：

def data_generator(self):

        """

        data_generator

        """

        def wrapper():

            def reader():

                for epoch in range(self.epoch):

                    self.current_epoch = epoch + 1

                    files = self.files

                    #during training, data are sliced by trainers

                    if self.shuffle_files:

                        start = epoch * self.total_file

                        end = start + self.total_file

                        files = [file_ for index, file_ in enumerate(self.files[start:end]) \

                            if index % self.trainer_nums == self.trainer_id]

                   

                    for index, file_ in enumerate(files):

                        file_, mask_word_prob = file_.strip().split("\t")

                        mask_word = (np.random.random() < float(mask_word_prob))

                        self.current_file_index = (index + 1) * self.trainer_nums

                        self.current_file = file_

                        ############ Modify - Start ############

                        env_str = 'SM_CHANNEL_' + self.data_tag.upper()

file_ = os.environ[env_str] + '/' + file_

                        ############ Modify – End ############

                        if mask_word:

                            self.mask_type = "mask_word"

                        else:

                            self.mask_type = "mask_char"

train.py修正

方法predict_wrapper：

filelist = args.test_filelist if args.do_test else args.valid_filelist
############ Modify - Start ############
tag = 'test' if args.do_test else 'valid
data_reader = ErnieDataReader(
        tag,
        filelist,
        vocab_path=args.vocab_path,
        batch_size=args.batch_size,
        voc_size=ernie_config['vocab_size'],
        shuffle_files=False,
        epoch=1,
        max_seq_len=args.max_seq_len,
        is_test=True)
############ Modify – End ############

方法train

############ Modify - Start ############
data_reader = ErnieDataReader(
        data_tag = 'train',
        filelist=args.train_filelist,
        batch_size=args.batch_size,
        vocab_path=args.vocab_path,
        voc_size=ernie_config['vocab_size'],
        epoch=args.epoch,
        max_seq_len=args.max_seq_len,
        generate_neg_sample=args.generate_neg_sample)
############ Modify – End ############

在训练完成后，由于Amazon SageMaker会自动回收启动的计算资源，因此需要将模型保存至环境变量“SM_MODEL_DIR”对应的目录（/opt/ml/model/）下，SageMaker会在回收资源之前自动将该目录下的模型文件上传至s3的指定目录中。

代码修改如下所示：

train.py

在方法train中，添加：

def train(args):
    …
    fluid.io.save_inference_model(dirname=os.environ['SM_MODEL_DIR'],
                                  feeded_var_names=['1','2','3','4'],
                                  target_vars=[next_sent_acc],
                                  executor=exe,
                                  main_program=train_program)

在模型训练的过程中，为观察训练指标的变化，可通过API参数设置指标提取方式，SageMaker会自动过滤指标数值，写入到Amazon CloudWatch监控平台中，您可以在训练过程中及结束后观察指标的变化情况。

指标字典列表配置示例如下：

_metric_definitions = [{'Name': 'Training-loss' , 'Regex': 'loss: ([0-9\.]+)'}]

准备好上述相应参数对象后，即可通过API启动SageMaker训练任务，该部分工作推荐在SageMaker Jupyter Notebook中完成：

# 导入Sagemaker库及Python SDK
import sagemaker as sage
from sagemaker import get_execution_role
import boto3

# 获取会话及相关信息
sess = sage.Session()
client = boto3.client('sts')
account = client.get_caller_identity()['Account']
role = get_execution_role()

# 获取s3存储桶及路径
bucket = sess.default_bucket()
folder = 'ernie'

# 获取区域代码
my_session = boto3.session.Session()
region = my_session.region_name

# 获取存放在ECR中的容器镜像名称
ecr_image = account + ".dkr.ecr." + region + ".amazonaws.com/sm-byo:pd-ernie-pretrain"

from sagemaker.estimator import Estimator
# 输入参数字典
_hyperparameters = {"use_cuda": True,
                    "is_distributed":False,
                    "use_fast_executor":True,
                    "weight_sharing":True,
                    "in_tokens":True,
                    "batch_size":8192,
                    "vocab_path":"./config/vocab.txt",
                    "num_train_steps":30,
                    "checkpoints":"./checkpoints",
                    "save_steps":10,
                    "ernie_config_path":"./config/ernie_config.json",
                    "learning_rate":"0.0001",
                    "use_fp16":False,
                    "weight_decay":0.01,
                    "max_seq_len":512,
                    "skip_steps":5,
                    "validation_steps": 20}
# 指标提取列表
_metric_definitions = [{'Name': 'Training-loss','Regex': 'loss: ([0-9\.]+)'}]
# 构建SageMaker Estimator
estimator = Estimator(image_name=ecr_image, # 容器镜像
                      role=role,# 角色
                      train_instance_type='ml.p3.2xlarge', # 当前训练机型
                      train_instance_count=1, # 训练机器数量
                      hyperparameters = _hyperparameters, # 参数传递
                      metric_definitions = _metric_definitions, # 指标提取
                      output_path = 's3://{}/{}/'.format(bucket,folder)) # 输出模型存放在s3的路径

# 输入数据在s3路径，构建数据通道字典
train_data = 's3://{}/{}/{}'.format(bucket, folder, 'train')
valid_data = 's3://{}/{}/{}'.format(bucket,  folder, 'valid')
data_channels = {'train': sage.session.s3_input(train_data),
                'valid': sage.session.s3_input(valid_data)}

# 启动训练
estimator.fit(inputs=data_channels,  logs=True)

说明

本示例选用单台ml.p3.2xlarge机型承载训练任务，该机器包含单张Nvidia V100 显卡、8核CPU、61GB内存。更多计算实例类型请参见：https://aws.amazon.com/cn/sagemaker/pricing/instance-types/

训练过程中，可以通过Amazon CloudWatch实时可视化观察指标变化情况，点击SageMaker控制台对应的训练任务：

下拉至监控界面，可以点击查看算法指标、输出日志和实例指标。图中框选的Trainig-loss即为手动输出至Amazon CloudWatch的指标对象。

训练任务结束后，SageMaker自动将模型文件保存至S3指定路径上，用于后续部署或迭代。

以上就是基于Amazon SageMaker通过自带容器方法实现自定义算法的模型预训练任务的基本介绍，该方法同样适用于基于其他第三方或自带框架的自定义任务的实现，关于通过自带容器方式实现模型优化和部署，敬请关注该系列博客的后续内容。

亚马逊AWS官方博客

基于Amazon SageMaker完成ERNIE机器学习任务（一）—— 通过自带容器方法实现自定义算法的模型预训练

Amazon SageMaker模型训练介绍

通过自带容器方法实现自定义算法的模型预训练

说明

本篇作者