Finetune时利用自己的训练数据或者测试数据

以huggingface- transformer中实现的的text-classification为例。

在使用bash运行时，删掉task_name 或是其他可以自动下载数据集的传入参数。

按需增加以下传入参数

（训练/测试/验证集要是.csv或者.json文件）

--train_file 训练集地址 \
--validation_file 验证集地址 \
--test_file 测试集地址 \
--do_train \
--do_eval \
--do_predict \

以下是我的bash：

python3 run_glue.py \--model_name_or_path bert-base-uncased \--train_file ./data/train.csv \--validation_file ./data/dev.csv \--test_file ./data/test.csv \--do_train \--do_eval \--do_predict \--max_seq_length 128 \--per_device_train_batch_size 8 \--learning_rate 2e-5 \--num_train_epochs 3 \--output_dir /tmp/run_glue/

之后在加载数据的时候就会加载自己的数据了

加载本地数据代码段（transformers代码）


# Loading a dataset from your local files.
# CSV/JSON training and evaluation files are needed.
data_files = {"train": data_args.train_file, "validation": data_args.validation_file}# Get the test dataset: you can provide your own CSV/JSON test file (see below)
# when you use `do_predict` without specifying a GLUE benchmark task.
if training_args.do_predict:if data_args.test_file is not None:train_extension = data_args.train_file.split(".")[-1]test_extension = data_args.test_file.split(".")[-1]assert (test_extension == train_extension), "`test_file` should have the same extension (csv or json) as `train_file`."data_files["test"] = data_args.test_fileelse:raise ValueError("Need either a GLUE task or a test file for `do_predict`.")for key in data_files.keys():logger.info(f"load a local file for {key}: {data_files[key]}")if data_args.train_file.endswith(".csv"):# Loading a dataset from local csv filesraw_datasets = load_dataset("csv", data_files=data_files, cache_dir=model_args.cache_dir)
else:# Loading a dataset from local json filesraw_datasets = load_dataset("json", data_files=data_files, cache_dir=model_args.cache_dir)

Finetune时利用自己的训练数据或者测试数据相关推荐

多元回归训练数据和测试数据_回归基础-数据结构提醒，如果和切换之后的寿命...
多元回归训练数据和测试数据 I just had a great one on one coding learning session with a good friend of mine over ...
tensorflow2.0中valid_data的作用是在训练的过程对对比训练数据与测试数据的准确率损失率，便于判断模型的训练效果：是过拟合还是欠拟合（过拟合）
tensorflow2.0中valid_data的作用是在训练的过程对对比训练数据与测试数据的准确率,便于判断模型的训练效果:是过拟合还是欠拟合过拟合:训练数据的准确率较高而测试数据的准确率较低欠 ...
使用Pytorch DataLoader快捷封装训练数据、测试数据的X与Y
DataSet的用法可以参考:pytorch 构造读取数据的工具类 Dataset 与 DataLoader (pytorch Data学习一) DataLoader的封装方法可以参考:Pytorch ...
关于使用tensorflow object detection API训练自己的模型-补充部分（代码，数据标注工具，训练数据，测试数据）
之前分享过关于tensorflow object detection API训练自己的模型的几篇博客,后面有人陆续碰到一些问题,问到了我解决方法.所以在这里补充点大家可能用到的东西.声明一下,本人专业 ...
达摩院开源预训练数据微调框架UOT NeurIPS论文深入解读
一.论文论文链接: Improved Fine-Tuning by Better Leveraging Pre-Training Data 代码链接:https://github.com/ziqua ...
迁移学习算法之TrAdaBoost ——本质上是在用不同分布的训练数据，训练出一个分类器...
迁移学习算法之TrAdaBoost from: https://blog.csdn.net/Augster/article/details/53039489 TradaBoost算法由来已久,具体算法 ...
神经网络怎么训练数据,神经网络训练结果分析
深度神经网络是如何训练的? Coursera的Ng机器学习,UFLDL都看过.没记错的话Ng的机器学习里是直接给出公式了,虽然你可能知道如何求解,但是即使不知道完成作业也不是问题,只要照着公式写就行. ...
神经网络训练数据的一点理解
神经网络是通过梯度方反向传播来更新参数,所需的数据集一般分为训练数据和测试数据,其中训练的数据会根据有监督和无监督学习进行分类. 有监督学习对于有监督学习,一般是给网络一个输入,然后再定一个网络应该 ...
Python机器学习：多项式回归与模型泛化004为什么需要训练数据集和测试数据集
泛化能力:由此及彼能力遇见新的拟合能力差数据 #数据 import numpy as np import matplotlib.pyplot as plt x = np.random.unifor ...

Finetune时利用自己的训练数据或者测试数据

按需增加以下传入参数

加载本地数据代码段（transformers代码）

Finetune时利用自己的训练数据或者测试数据相关推荐

最新文章

热门文章