快速开始¶
MindFormers套件对外提供两种使用和开发形式，为开发者提供灵活且简洁的使用方式和高阶开发接口。
方式一：使用已有脚本启动¶
用户可以直接clone整个仓库，按照以下步骤即可运行套件中已支持的任意configs模型任务配置文件，方便用户快速进行使用和开发：
准备工作
step1：git clone mindformers
git clone -b dev https://gitee.com/mindspore/mindformers.git cd mindformers
step2: 准备相应任务的数据集，请参考
docs目录下各模型的README.md文档准备相应数据集step3：修改配置文件
configs/{model_name}/run_{model_name}_***.yaml中数据集路径step4：如果要使用分布式训练，则需提前生成RANK_TABLE_FILE
# 不包含8本身，生成0~7卡的hccl json文件 python mindformers/tools/hccl_tools.py --device_num [0,8]
单卡启动：统一接口启动，根据模型 CONFIG 完成任意模型的单卡训练、微调、评估、推理流程
# 训练启动，run_status支持train、finetuen、eval、predict四个关键字，以分别完成模型训练、评估、推理功能，默认使用配置文件中的run_mode
python run_mindformer.py --config {CONFIG_PATH} --run_mode {train/finetune/eval/predict}
多卡启动： scripts 脚本启动，根据模型 CONFIG 完成任意模型的单卡/多卡训练、微调、评估、推理流程
# 8卡分布式运行， DEVICE_RANGE = [0, 8], 不包含8本身
cd scripts
bash run_distribute.sh RANK_TABLE_FILE CONFIG_PATH DEVICE_RANGE RUN_MODE
常用参数说明
RANK_TABLE_FILE: 由mindformers/tools/hccl_tools.py生成的分布式json文件
CONFIG_PATH: 为configs文件夹下面的{model_name}/run_*.yaml配置文件
DEVICE_ID: 为设备卡，范围为0~7
DEVICE_RANGE: 为单机分布式卡的范围, 如[0,8]为8卡分布式，不包含8本身
RUN_MODE: 为任务运行状态，支持关键字 train\finetune\eval\predict
方式二：调用API启动¶
详细高阶API使用教程请参考：MindFormers大模型使用教程
准备工作
step 1：安装mindformers
具体安装请参考第二章
step2: 准备数据
准备相应任务的数据集，请参考
docs目录下各模型的README.md文档准备相应数据集。Trainer 快速入门
用户可以通过以上方式安装mindformers库，然后利用Trainer高阶接口执行模型任务的训练、微调、评估、推理功能。
Trainer 训练\微调启动
用户可使用
Trainer.train或者Trainer.finetunne接口完成模型的训练\微调\断点续训。from mindformers import Trainer cls_trainer = Trainer(task='image_classification', # 已支持的任务名 model='vit_base_p16', # 已支持的模型名 train_dataset="/data/imageNet-1k/train", # 传入标准的训练数据集路径，默认支持ImageNet数据集格式 eval_dataset="/data/imageNet-1k/val") # 传入标准的评估数据集路径，默认支持ImageNet数据集格式 # Example 1： 开启训练复现流程 cls_trainer.train() # Example 2： 加载集成的mae权重，开启微调流程 cls_trainer.finetune(finetune_checkpoint='mae_vit_base_p16') # Example 3： 开启断点续训功能 cls_trainer.train(train_checkpoint=True, resume_training=True)
Trainer 评估启动
用户可使用
Trainer.evaluate接口完成模型的评估流程。from mindformers import Trainer cls_trainer = Trainer(task='image_classification', # 已支持的任务名 model='vit_base_p16', # 已支持的模型名 eval_dataset="/data/imageNet-1k/val") # 传入标准的评估数据集路径，默认支持ImageNet数据集格式 # Example 1： 开启评估已集成模型权重的复现流程 cls_trainer.evaluate() # Example 2： 开启评估训练得到的最后一个权重 cls_trainer.evaluate(eval_checkpoint=True) # Example 3： 开启评估指定的模型权重 cls_trainer.evaluate(eval_checkpoint='./output/checkpoint/rank_0/mindformers.ckpt')
结果打印示例(已集成的vit_base_p16模型权重评估分数)： Top1 Accuracy=0.8317
Trainer 推理启动
用户可使用
Trainer.predict接口完成模型的推理流程。from mindformers import Trainer cls_trainer = Trainer(task='image_classification', # 已支持的任务名 model='vit_base_p16') # 已支持的模型名 input_data = './cat.png' # 一张猫的图片 # Example 1： 指定输入的数据完成模型推理 predict_result_d = cls_trainer.predict(input_data=input_data) # Example 2： 开启推理（自动加载训练得到的最后一个权重） predict_result_b = cls_trainer.predict(input_data=input_data, predict_checkpoint=True) # Example 3： 加载指定的权重以完成推理 predict_result_c = cls_trainer.predict(input_data=input_data, predict_checkpoint='./output/checkpoint/rank_0/mindformers.ckpt') print(predict_result_d)
结果打印示例(已集成的vit_base_p16模型权重推理结果)： {‘label’: 'cat', score: 0.99}pipeline 快速入门
MindFormers套件为用户提供了已集成模型的pipeline推理接口，方便用户体验大模型推理服务。
pipeline 使用
# 以gpt2 small为例 from mindformers.pipeline import pipeline pipeline_task = pipeline(task="text_generation", model="gpt2") pipeline_result = pipeline_task("An increasing sequence: one,", do_sample=False, max_length=20) print(pipeline_result)
结果打印示例(已集成的gpt2模型权重推理结果)： # [{'text_generation_text': ['An increasing sequence: one, two, three, four, five, six, seven, eight,']}]AutoClass 快速入门
MindFormers套件为用户提供了高阶AutoClass类，包含AutoConfig、AutoModel、AutoProcessor、AutoTokenizer四类，方便开发者进行调用。
AutoConfig 获取已支持的任意模型配置
from mindformers import AutoConfig # 获取gpt2的模型配置 gpt2_config = AutoConfig.from_pretrained('gpt2') # 获取vit_base_p16的模型配置 vit_base_p16_config = AutoConfig.from_pretrained('vit_base_p16')
AutoModel 获取已支持的网络模型
from mindformers import AutoModel # 利用from_pretrained功能实现模型的实例化（默认加载对应权重） gpt2 = AutoModel.from_pretrained('gpt2') # 利用from_config功能实现模型的实例化（默认加载对应权重） gpt2_config = AutoConfig.from_pretrained('gpt2') gpt2 = AutoModel.from_config(gpt2_config) # 利用save_pretrained功能保存模型对应配置 gpt2.save_pretrained('./gpt2', save_name='gpt2')
AutoProcessor 获取已支持的预处理方法
from mindformers import AutoProcessor # 通过模型名关键字获取对应模型预处理过程（实例化gpt2的预处理过程，通常用于Trainer/pipeline推理入参） gpt2_processor_a = AutoProcessor.from_pretrained('gpt2') # 通过yaml文件获取相应的预处理过程 gpt2_processor_b = AutoProcessor.from_pretrained('configs/gpt2/run_gpt2.yaml')
AutoTokenizer 获取已支持的tokenizer方法
from mindformers import AutoTokenizer # 通过模型名关键字获取对应模型预处理过程（实例化gpt2的tokenizer，通常用于Trainer/pipeline推理入参） gpt2_tokenizer = AutoTokenizer.from_pretrained('gpt2')