本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。

將 SageMaker Smart Sifting 套用至 Hugging Face 轉換器指令碼

有兩種方法可將 SageMaker Smart Sifting 實作至轉換器 Trainer 類別。

簡易設定

將 SageMaker Smart Sifting 實作到轉換器 Trainer 類別的最簡單方法是使用 enable_sifting 函式。此函式接受現有 Trainer 物件，並使用 SiftingDataloader 包裝現有 DataLoader 物件。您可以繼續使用相同的訓練物件。請參閱以下使用範例。

from smart_sifting.integrations.trainer import enable_sifting
from smart_sifting.loss.abstract_sift_loss_module import Loss
from smart_sifting.sift_config.sift_configs import (
    RelativeProbabilisticSiftConfig
    LossConfig
    SiftingBaseConfig
)

class SiftingImplementedLoss(Loss):
   def loss(self, model, transformed_batch, original_batch):
        loss_fct = MSELoss(reduction="none") # make sure to set reduction to "none"
        logits = model.bert(**original_batch)
        return loss_fct(logits, original_batch.get("labels"))

sift_config = RelativeProbabilisticSiftConfig(
    beta_value=0.5,
    loss_history_length=500,
    loss_based_sift_config=LossConfig(
         sift_config=SiftingBaseConfig(sift_delay=0)
    )
)

trainer = Trainer(...)
enable_sifting(trainer, sift_config, loss=SiftingImplementedLoss()) # updates the trainer with Sifting Loss and config
trainer.train()

SiftingDataloader 類別是可重複運算的資料載入器。由於是在篩選期間隨機取樣，無法事先知道資料集的確切大小。因此，Hugging Face Trainer 會預期 max_steps 訓練引數。請留意，此引數會覆寫 epoch 組態參數 num_train_epochs。如果您的原始資料載入器也可以重複運算，或您的訓練使用 max_steps 和單一 epoch，則 SiftingDataloader 與現有資料載入器的表現相同。如果原始資料載入器無法重複運算或未提供 max_steps，Hugging Face 訓練器可能會擲回類似以下的錯誤訊息。

args.max_steps must be set to a positive value if dataloader does not have a length,
was -1

為了解決此問題，enable_sifting 函式會提供選用 set_epochs 參數。這樣就可使用 Trainer 類別的 num_train_epochs argument 提供的 epoch 數量來啟用 epoch 訓練，並將 max_steps 設為最大系統整數，允許訓練進行，直到指定的 epoch 完成為止。

自訂設定

針對 SageMaker Smart Sifting 資料載入器的自訂整合，您可以使用自訂 Hugging Face Trainer 類別。在任何 Trainer 子類別中，get_train_dataloader() 函式都可以覆寫，以改為傳回 SiftingDataloader 類別的物件。如果有現有自訂訓練器，此方法可能較不具侵入性，但需要變更程式碼，而非只簡單的設定選項。以下是將 SageMaker Smart Sifting 實作到自訂 Hugging Face Trainer 類別的範例。

from smart_sifting.sift_config.sift_configs import (
    RelativeProbabilisticSiftConfig
    LossConfig
    SiftingBaseConfig
)
from smart_sifting.dataloader.sift_dataloader import SiftingDataloader
from smart_sifting.loss.abstract_sift_loss_module import Loss
from smart_sifting.data_model.data_model_interface import SiftingBatch, SiftingBatchTransform
from smart_sifting.data_model.list_batch import ListBatch

class SiftingListBatchTransform(SiftingBatchTransform):
    def transform(self, batch: Any):
        inputs = batch[0].tolist()
        labels = batch[-1].tolist()  # assume the last one is the list of labels
        return ListBatch(inputs, labels)

    def reverse_transform(self, list_batch: ListBatch):
        a_batch = [torch.tensor(list_batch.inputs), torch.tensor(list_batch.labels)]
        return a_batch

class SiftingImplementedLoss():
    # You should add the following initializaztion function 
    # to calculate loss per sample, not per batch.
    def __init__(self):
        self.celoss = torch.nn.CrossEntropyLoss(reduction='none')

    def loss(
        self,
        model: torch.nn.Module,
        transformed_batch: SiftingBatch,
        original_batch: Any = None,
    ) -> torch.Tensor:
        device = next(model.parameters()).device
        batch = [t.to(device) for t in original_batch]

        # compute loss
        outputs = model(batch)
        return self.celoss(outputs.logits, batch[2])

class SiftingImplementedTrainer(Trainer):
    def get_train_dataloader(self):
        dl = super().get_train_dataloader()

        sift_config = RelativeProbabilisticSiftConfig(
            beta_value=0.5,
            loss_history_length=500,
            loss_based_sift_config=LossConfig(
                sift_config=SiftingBaseConfig(sift_delay=0)
            )
        )

        return SiftingDataloader(
                sift_config=sift_config,
                orig_dataloader=dl,
                batch_transforms=SiftingListBatchTransform(),
                loss_impl=SiftingImplementedLoss(),
                model=self.model
        )

使用包裝的 Trainer 類別建立物件，如下所示。

trainer = SiftingImplementedTrainer(
    model=model,
    args=training_args,
    train_dataset=small_train_dataset,
    eval_dataset=small_eval_dataset
)

trainer.train()