当前位置：首页 > news >正文

在Mac M1/M2上使用Hugging Face Transformers进行中文文本分类（完整指南）

news 来源：原创 2025/5/10 6:54:00

在Mac M1/M2上使用Hugging Face Transformers进行中文文本分类（完整指南）

前言

随着Apple Silicon芯片（M1/M2）的普及，越来越多的开发者希望在Mac上运行深度学习任务。本文将详细介绍如何在Mac M1/M2设备上使用Hugging Face Transformers库进行中文文本分类任务，包括环境配置、数据处理、模型训练和性能优化等完整流程。

环境准备

1. 硬件和系统要求

• 设备：Apple M1/M2系列芯片的Mac
• 系统：macOS 12.3 (Monterey)或更高版本
• Python：3.8或更高版本

2. 安装必要的库

# 创建虚拟环境
python -m venv .venv
source .venv/bin/activate# 安装支持MPS的PyTorch
pip install --pre torch torchvision --extra-index-url https://download.pytorch.org/whl/nightly/cpu# 安装其他依赖
pip install transformers datasets evaluate

数据处理

1. 加载和预处理数据集

我们使用中文情感分析数据集ChnSentiCorp：

from datasets import load_from_disk
from transformers import AutoTokenizer# 加载数据集
dataset = load_from_disk('./data/ChnSentiCorp')# 缩小数据集规模
dataset['train'] = dataset['train'].shuffle().select(range(1500))
dataset['test'] = dataset['test'].shuffle().select(range(100))# 初始化tokenizer
tokenizer = AutoTokenizer.from_pretrained('hfl/rbt3')# 编码函数
def encode_data(data):return tokenizer.batch_encode_plus(data['text'], truncation=True)# 应用编码
dataset = dataset.map(encode_data, batched=True, batch_size=1000, num_proc=4, remove_columns=['text'])# 过滤过长的句子
dataset = dataset.filter(lambda x: len(x['input_ids']) <= 512, batched=True)

2. 数据格式转换

from transformers import DataCollatorWithPadding# 数据整理器
data_collator = DataCollatorWithPadding(tokenizer)

模型加载与配置

1. 加载预训练模型

from transformers import AutoModelForSequenceClassification
import torch# 检查MPS是否可用
device = torch.device("mps" if torch.backends.mps.is_available() else "cpu")
print(f"Using device: {device}")# 加载模型
model = AutoModelForSequenceClassification.from_pretrained('./model/rbt3', num_labels=2)
model = model.to(device)

2. 自定义训练器（适配MPS）

from transformers import Trainerclass MPSReadyTrainer(Trainer):def prediction_step(self, model, inputs, prediction_loss_only=False, ignore_keys=None):inputs = {k: v.to('mps') for k, v in inputs.items()}return super().prediction_step(model, inputs, prediction_loss_only, ignore_keys)

训练配置

1. 设置训练参数

from transformers import TrainingArgumentstraining_args = TrainingArguments(output_dir='./out/rbt3',evaluation_strategy="steps",eval_steps=30,save_strategy='steps',save_steps=30,learning_rate=5e-5,per_device_train_batch_size=16,  # M1/M2建议较小batch sizeper_device_eval_batch_size=16,num_train_epochs=10,logging_dir='./log/rbt3',no_cuda=True,use_mps_device=True,fp16=False  # MPS暂不支持混合精度
)

2. 定义评估指标

from evaluate import loaddef compute_metrics(eval_pred):metric = load('accuracy')logits, labels = eval_predif isinstance(logits, torch.Tensor):predictions = logits.argmax(dim=-1)else:predictions = torch.from_numpy(logits).argmax(dim=-1)return metric.compute(predictions=predictions, references=labels)

训练与评估

1. 初始化训练器

trainer = MPSReadyTrainer(model=model,args=training_args,train_dataset=dataset['train'],eval_dataset=dataset['test'],compute_metrics=compute_metrics,data_collator=data_collator
)

2. 开始训练

print("========== 开始训练 ==========")
trainer.train()print("========== 最终评估 ==========")
trainer.evaluate()

性能优化技巧

调整batch size：M1/M2芯片建议使用8-32的batch size
禁用pin_memory：在TrainingArguments中设置dataloader_pin_memory=False
减少数据加载线程：设置num_proc=2或更低
简化模型：使用更小的预训练模型如’rbt3’而非’bert-base’

常见问题解决

MPS不可用错误
• 确保安装了正确版本的PyTorch
• 检查macOS版本≥12.3
• 运行python -c "import torch; print(torch.backends.mps.is_available())"确认
内存不足错误
• 减小batch size
• 缩短序列长度（max_length=256）
数据类型不匹配
• 确保所有张量都通过.to(device)转移到MPS