1

我正在尝试使用 TPU 在 Google-colaboratory 上微调 BERT 模型。但我总是收到以下错误：

ValueError: 在 (tensorflow.python.在 0x7f6a1fad3390 处分发.tpu_strategy.TPUStrategyV1 对象）。这很可能是由于并非所有层或模型或优化器都是在分发策略范围之外创建的。尝试确保您的代码类似于以下内容。

使用 strategy.scope()：

模型=_create_model()

模型.编译（...）

我的代码基于这个笔记本！我针对我的具体问题对其进行了修改，显然尝试在 TPU 上运行它。

我有一个服装层 BertLayer，它显然是在范围之外创建的：

class BertLayer(tf.keras.layers.Layer):
    def __init__(self, n_fine_tune_layers=10, **kwargs):
        self.n_fine_tune_layers = n_fine_tune_layers
        self.trainable = True
        self.output_size = 768
        super(BertLayer, self).__init__(**kwargs)

    def build(self, input_shape):
        self.bert = hub.Module(
            bert_path,
            trainable=self.trainable,
            name="{}_module".format(self.name)
        )
        trainable_vars = self.bert.variables

        # Remove unused layers
        trainable_vars = [var for var in trainable_vars if not "/cls/" in var.name]

        # Select how many layers to fine tune
        trainable_vars = trainable_vars[-self.n_fine_tune_layers :]

        # Add to trainable weights
        for var in trainable_vars:
            self._trainable_weights.append(var)

        # Add non-trainable weights
        for var in self.bert.variables:
            if var not in self._trainable_weights:
                self._non_trainable_weights.append(var)

        super(BertLayer, self).build(input_shape)

    def call(self, inputs):
        inputs = [K.cast(x, dtype="int32") for x in inputs]
        input_ids, input_mask, segment_ids = inputs
        bert_inputs = dict(
            input_ids=input_ids, input_mask=input_mask, segment_ids=segment_ids
        )
        result = self.bert(inputs=bert_inputs, signature="tokens", as_dict=True)[
            "pooled_output"
        ] 
        return result

    def compute_output_shape(self, input_shape):
        return (input_shape[0], self.output_size)

模型创建在这里完成：

def build_model(max_seq_length): 
    output_classes = train_labels[0].shape
    # Build model
    in_id = tf.keras.layers.Input(shape=(max_seq_length,), name="input_ids")
    in_mask = tf.keras.layers.Input(shape=(max_seq_length,), name="input_masks")
    in_segment = tf.keras.layers.Input(shape=(max_seq_length,), name="segment_ids")
    bert_inputs = [in_id, in_mask, in_segment]

    # Instantiate the custom Bert Layer defined above
    bert_output = BertLayer(n_fine_tune_layers=10)(bert_inputs)

    # Build the rest of the classifier 
    dense = tf.keras.layers.Dense(256, activation='relu')(bert_output)
    pred = tf.keras.layers.Dense(train_labels.shape[1], activation='sigmoid')(dense)

    model = tf.keras.models.Model(inputs=bert_inputs, outputs=pred)
    return model

调用model.compile时发生错误

strategy = tf.distribute.experimental.TPUStrategy(
    tf.contrib.cluster_resolver.TPUClusterResolver(TPU_ADDRESS))
with strategy.scope():
  model = build_model(256)

  opt = tf.train.AdamOptimizer(0.001)
  model.compile(loss='binary_crossentropy', optimizer=opt)

据我了解，BertLayer 确实是在范围内创建的，但我对 keras 和 tensorflow 比较陌生，所以很高兴得到您的帮助。我正在研究 tensorflow 1.14

4

2 回答 2

0

考虑在策略范围内指定模型输入的形状，可以尝试以下方法之一： 1.model.build()在模型创建后调用。2. 定义input_shape模型的第一层__init__()。model(tensor)3.在模型创建后使用真实张量（ones, zeros, ect.）调用。

无论如何，指定模型输入的形状。这对我有用。希望这会帮助你。

于 2019-08-29T06:50:54.720 回答
0

对我有用的是在块中完成整个模型定义（不仅仅是model = build...()语句）with tpu_strategy.scope():。

我使用的是 Keras 功能 API，我想我可以像往常一样定义模型层，然后只将其model = keras.Model(inputs=model_inputs, outputs=model_outputs)放置在with tpu_strategy.scope():块内。然而这并没有奏效。

在您的特定情况下，这将是将class BertLayer(tf.keras.layers.Layer):最终模型中合并的所有其他功能/类/等放置在一个with tpu_strategy.scope():块中。

于 2022-03-01T14:32:20.870 回答