百科问答小站 logo
百科问答小站 font logo



深度学习方面的科研工作中的实验代码有什么规范和写作技巧?如何妥善管理实验数据? 第1页

  

user avatar   rumor-lee 网友的相关建议: 
      

我没用什么工具,自己迭代下来一套流程,至今还是很方便的。

想法超简单,就是给每个实验创建一个「箱子」,把所有相关的尽可能存进去,评估的时候再从箱子里把模型结构、文件拿出来,这样就能保证实验结果好找、好复现。

具体操作起来就会有很多箱子,存成这个样子:

       我的主目录   /bert_base(每个结构上的大变动都单独变成大箱子)     /2021080801(具体的实验,用日期+编号或者参数设置命名都可以)     /202108080X   /sentence_bert     /20210809X     

在启动每个小任务时,具体流程是:

  1. 给每个实验单独创建文件夹
  2. 把模型代码(模型结构、训练、预处理)和超参数、数据路径保存到该文件夹
  3. 把模型存储到该文件夹
  4. 把训练log存储到该文件夹

做NLP的同学基本现在都是bert,直接把我的自动化脚本贴出来:

这个是train.sh,启动命令是 sh train.sh gpu_id modelname

       gpu=$1 model_name=$2 pretrained_model=/home/pretrained_model data_dir=/home/data  # 检查输入的实验模型名称是否为空 if [ ! "$model_name" ]; then     echo "modelname is none"     exit 1 fi  # 创建实验文件夹 if [ ! -d "$model_name" ]; then     mkdir $model_name fi  # 检查实验是否已存在 if [ -n "`find $model_name -maxdepth 1 -name '*.bin'`" ]; then     echo "model exists"     exit 1 fi  # 备份实验代码 cp main.py $model_name/ cp prepro.py $model_name/ cp model.py $model_name/ cp train.sh $model_name/  echo "use gpu: $gpu"  export CUDA_VISIBLE_DEVICES=$gpu; nohup python -u main.py      --model_type=bert      --data_dir=$data_dir      --input_train_file=train.tsv      --input_eval_file=$data_dir/dev.txt     --output_eval_file=$model_name/dev_eval.txt       --model_name_or_path=$pretrained_model      --task_name=cls      --output_dir=$model_name      --max_seq_length=20      --do_train      --do_eval      --evaluate_during_training      --per_gpu_train_batch_size=512      --per_gpu_eval_batch_size=512      --learning_rate=2e-5      --weight_decay=0.01      --warmup_steps=10000      --num_train_epochs=2      --logging_steps=5000      --save_steps=5000      --ouput_path=$model_name      --do_lower_case      --fp16      > $model_name/log.txt 2>&1 & # 保存log  echo "$model_name/log.txt"     

这个是eval.sh,启动命令是 sh eval.sh gpu_id modelname

       gpu=$1 model_name=$2 data_dir=/home/data  # 检查输入的实验模型名称是否为空 if [ ! "$model_name" ]; then     echo "modelname is none"     exit 1 fi  # 检查实验模型是否存在 if [ ! -d "$model_name" ]; then     echo "$model_name do not exist"     exit 1 fi  # 把训练时的模型文件拷贝出来(防止现在代码有变动) cp $model_name/main.py ./ cp $model_name/prepro.py ./ cp $model_name/model.py ./  echo "use gpu: $gpu"  export CUDA_VISIBLE_DEVICES=$gpu; python main.py      --model_type=bert      --do_eval      --input_eval_file=$data_dir/test.tsv      --output_eval_file=$model_name/test_eval.txt      --data_dir=$data_dir      --model_name_or_path=$model_name      --task_name=cls      --output_dir=$model_name      --max_seq_length=20      --per_gpu_eval_batch_size=512      --ouput_path=$model_name      --fp16      

如果要更大批量的预测训练,再用shell把这些脚本包一下就好了,shell太香




  

相关话题

  真正研究历史的人是如何做到观点中立的? 
  何恺明目前的学术成果是否够得上计算机视觉领域历史第一人? 
  有哪些关于机器学习的真相还鲜为人知? 
  关于海洋科学有哪些有趣的研究和结论? 
  如何评价MXNet发布的1.0版本? 
  研一,导师让去实验室跟师兄师姐做实验,但是每次去实验室师兄师姐都让我回去玩,不用过来。怎么办? 
  如何理解今年发表在JMLR上随机森林算法SPORF? 
  读博和小老板关系崩了怎么办? 
  如何评价哈工大的左旺孟老师? 
  学生物/从事生物研究的你,有过的最中二的想法是什么? 

前一个讨论
预训练模型的训练任务在 MLM 之外还有哪些有效方式?
下一个讨论
VQA(视觉问答)现在的主要挑战是什么?





© 2024-11-09 - tinynew.org. All Rights Reserved.
© 2024-11-09 - tinynew.org. 保留所有权利