Transformers documentation

Perplexidade de modelos de comprimento fixo

You are viewing v5.23.0 version. A newer version v5.24.0 is available.
Hugging Face's logo
Join the Hugging Face community

and get access to the augmented documentation experience

to get started

Perplexidade de modelos de comprimento fixo

A Perplexity (PPL) é uma das métricas mais comuns para avaliar modelos de linguagem. Antes de prosseguir, devemos observar que essa métrica se aplica especificamente a modelos de linguagem clássicos (às vezes chamados de modelos de linguagem autoregressivos ou causais) e não está bem definida para modelos de linguagem mascarados, como o BERT.

A perplexidade é definida como a média negativa log-verossimilhança de uma sequência elevada à potência. Se tivermos uma sequência tokenizada $X = (x_0, x_1, \dots, x_t)$, a perplexidade de XX é, PPL(X)=exp⁡{−1t∑itlog⁡pθ(xi∣x<i)} \text{PPL}(X) = \exp\left\{ -\frac{1}{t}\sum_i^t \log p_\theta (x_i|x_{<i}) \right\}

onde $\log p\theta (x_i|x{<i})$ é a log-verossimilhança do i-ésimo token condicionado aos tokens anteriores $x_{<i}$, de acordo com nosso modelo. Intuitivamente, pode ser interpretado como uma avaliação da capacidade do modelo de prever uniformemente entre o conjunto de tokens especificados em um corpus. É importante observar que isso significa que o procedimento de tokenização tem um impacto direto na perplexidade de um modelo, o que deve sempre ser considerado ao comparar diferentes modelos.

Isso também é equivalente à exponenciação da entropia cruzada entre os dados e as previsões do modelo. Para uma intuição mais aprofundada sobre perplexidade e sua relação com Bits Por Caractere (BPC) e compressão de dados, confira este fantástico post de blog no The Gradient.

Calculando o PPL com modelos de comprimento fixo

Se não fôssemos limitados pelo tamanho de contexto de um modelo, avaliaríamos a perplexidade do modelo fatorando uma sequência de forma autoregressiva e condicionando em toda a subsequência anterior a cada etapa, conforme mostrado abaixo.

Full decomposition of a sequence with unlimited context length

Ao trabalhar com modelos aproximados, no entanto, geralmente temos uma restrição no número de tokens que o modelo pode processar. A maior versão do GPT-2, por exemplo, tem um comprimento fixo de 1024 tokens, portanto, não podemos calcular $p\theta(x_t|x{<t})$ diretamente quando tt é maior que 1024.

Em vez disso, a sequência é tipicamente dividida em subseqüências iguais ao tamanho máximo de entrada do modelo. Se o tamanho máximo de entrada de um modelo for $k$, aproximamos a probabilidade de um token xtx_t condicionando apenas nos k−1k-1 tokens que o precedem, em vez de todo o contexto. Ao avaliar a perplexidade do modelo para uma sequência, uma abordagem tentadora, porém subótima, é dividir a sequência em blocos disjuntos e somar as log-verossimilhanças decompostas de cada segmento independentemente.

Suboptimal PPL not taking advantage of full available context

O cálculo é rápido, pois a perplexidade de cada segmento pode ser computada em uma única passagem para frente, mas serve como uma aproximação ruim da perplexidade totalmente fatorada e geralmente resulta em um PPL maior (pior), pois o modelo terá menos contexto na maioria das etapas de previsão.

Em vez disso, o PPL de modelos de comprimento fixo deve ser avaliado com uma estratégia de janela deslizante. Isso envolve deslizar repetidamente a janela de contexto para que o modelo tenha mais contexto ao fazer cada previsão.

Sliding window PPL taking advantage of all available context

Essa é uma aproximação mais próxima da verdadeira decomposição da probabilidade da sequência e, em geral, resulta em uma pontuação mais favorável. A desvantagem é que ela requer uma passagem de frente separada para cada token no corpus. Um bom compromisso prático é empregar uma janela deslizante com passo, movendo o contexto com passos maiores em vez de deslizar 1 token por vez. Isso permite que o cálculo prossiga muito mais rápido, ao mesmo tempo em que fornece ao modelo um contexto amplo para fazer previsões em cada etapa.

Exemplo: Calculando perplexidade com GPT-2 no 🤗 Transformers

Vamos demonstrar esse processo com o GPT-2.

from transformers import GPT2LMHeadModel, GPT2TokenizerFast
from accelerate import Accelerator

device = Accelerator().device
model_id = "openai-community/gpt2-large"
model = GPT2LMHeadModel.from_pretrained(model_id).to(device)
tokenizer = GPT2TokenizerFast.from_pretrained(model_id)

Vamos carregar o conjunto de dados WikiText-2 e avaliar a perplexidade usando algumas estratégias diferentes de janela deslizante. Como esse conjunto de dados é pequeno e estamos fazendo apenas uma passagem de ida pelo conjunto, podemos simplesmente carregar e codificar o conjunto de dados inteiro na memória.

from datasets import load_dataset

test = load_dataset("Salesforce/wikitext", "wikitext-2-raw-v1", split="test")
encodings = tokenizer("\n\n".join(test["text"]), return_tensors="pt")

Com o 🤗 Transformers, podemos simplesmente passar os input_ids como labels para o nosso modelo, e a média da log-verossimilhança negativa para cada token é retornada como a perda. No entanto, com a nossa abordagem de janela deslizante, há sobreposição nos tokens que passamos ao modelo em cada iteração. Não queremos que a log-verossimilhança dos tokens que estamos tratando apenas como contexto seja incluída na nossa perda, então podemos definir esses alvos como -100 para que sejam ignorados. A seguir, um exemplo de como podemos fazer isso com um stride de 512. Isso significa que o modelo terá pelo menos 512 tokens para contexto ao calcular a verossimilhança condicional de qualquer um dos tokens (desde que haja 512 tokens anteriores disponíveis para condicionar).

import torch
from tqdm import tqdm

max_length = model.config.n_positions
stride = 512
seq_len = encodings.input_ids.size(1)

nll_sum = 0.0
n_tokens = 0
prev_end_loc = 0
for begin_loc in tqdm(range(0, seq_len, stride)):
    end_loc = min(begin_loc + max_length, seq_len)
    trg_len = end_loc - prev_end_loc  # may be different from stride on last loop
    input_ids = encodings.input_ids[:, begin_loc:end_loc].to(device)
    target_ids = input_ids.clone()
    target_ids[:, :-trg_len] = -100

    with torch.no_grad():
        outputs = model(input_ids, labels=target_ids)

        # loss is calculated using CrossEntropyLoss which averages over valid labels
        # N.B. the model only calculates loss over trg_len - 1 labels, because it internally shifts the labels
        # to the left by 1.
        neg_log_likelihood = outputs.loss

    # Accumulate the total negative log-likelihood and the total number of tokens
    num_valid_tokens = (target_ids != -100).sum().item()  # number of valid tokens in target_ids
    batch_size = target_ids.size(0)
    num_loss_tokens = num_valid_tokens - batch_size  # subtract batch_size due to internal label shift
    nll_sum += neg_log_likelihood * num_loss_tokens
    n_tokens += num_loss_tokens

    prev_end_loc = end_loc
    if end_loc == seq_len:
        break

avg_nll = nll_sum / n_tokens  # average negative log-likelihood per token
ppl = torch.exp(avg_nll)

Executar isso com o comprimento do stride igual ao comprimento máximo da entrada é equivalente à estratégia subótima, sem janela deslizante, que discutimos acima. Quanto menor for o stride, mais contexto o modelo terá ao fazer cada previsão, e a perplexidade relatada geralmente será melhor.

Quando executamos o código acima com stride = 1024, ou seja, sem sobreposição, o PPL resultante é 19.44, aproximadamente o mesmo que o 19.93 relatado no paper do GPT-2. Ao usar stride = 512 e, assim, empregar nossa estratégia de janela com deslocamento, esse valor cai para 16.44. Isso não apenas resulta em uma pontuação mais favorável, mas é calculado de uma forma mais próxima da verdadeira decomposição autoregressiva da verossimilhança de uma sequência.

Update on GitHub