GRU for PyTorch

概述

简述

GRU（Gate Recurrent Unit）是循环神经网络（Recurrent Neural Network, RNN）的一种。 和LSTM（Long-Short Term Memory）一样，也是为了解决长期记忆和反向传播中的梯度等问题而提出来的。

• 参考实现：

  url=https://github.com/farizrahman4u/seq2seq
  commit_id=c37c67ffccc7578d03dd97100dffd99cc675c85d
  

• 适配昇腾 AI 处理器的实现：

  url=https://gitcode.com/ascend/ModelZoo-PyTorch.git
  code_path=PyTorch/built-in/nlp
  

准备训练环境

该模型为不随版本演进模型（随版本演进模型范围可在此处查看），未在最新昇腾配套软件中适配验证，您可以：

1. 根据下面提供PyTorch版本在软件版本配套表中选择匹配的CANN等软件下载使用。
2. 查看软件版本配套表后确认对该模型有新版本PyTorch和CANN中的适配需求，请在modelzoo/issues中提出您的需求。自行适配不保证精度和性能达标。

准备环境

• 当前模型支持的 PyTorch 历史版本和已知三方库依赖如下表所示。

  表 1 版本支持表

  Torch_Version	三方库依赖版本
  PyTorch 1.5	-
  PyTorch 1.8	-

• 环境准备指导。

  请参考《Pytorch框架训练环境准备》。

• 安装依赖。

  在模型源码包根目录下执行命令，安装模型需要的依赖。

  pip install -r requirements.txt
  

• 安装分词包，使用以下命令或登录对应网址下载分词包。

  wget https://github.com/explosion/spacy-models/releases/download/en_core_web_sm-2.0.0/en_core_web_sm-2.0.0.tar.gz
  wget https://github.com/explosion/spacy-models/releases/download/de_core_news_sm-2.0.0/de_core_news_sm-2.0.0.tar.gz
  

• 解压并在分词包目录下，使用以下命令安装：

  python3 setup.py install
  

• 安装torchtext。

  pip install torchtext==0.6
  

准备数据集

1. 获取数据集。

   初次执行脚本 bash ./test/train_performance_1p.sh --data_path=数据集路径 时，会将torchtext中multi30k数据集下载到数据集路径所对应文件目录下。

   以--data_path=data为例，初次运行后data/multi30k文件目录如下。

   ├── multi30k
       ├──test.de
       ├──test.en
       ├──train.de
       ├──train.en 
       ├──val.de  
       ├──val.en
   

   说明： 该数据集的训练过程脚本只作为一种参考示例。

开始训练

训练模型

1. 进入解压后的源码包根目录。

   cd /${模型文件夹名称} 
   

2. 运行训练脚本。

   该模型支持单机单卡训练和单机8卡训练。

   • 单机单卡训练

     启动单卡训练。

     bash ./test/train_performance_1p.sh --data_path=/data/xxx/  # 单卡性能
     

   • 单机8卡训练

     启动8卡训练。

     bash ./test/train_full_8p.sh --data_path=/data/xxx/  # 8卡精度
     
     bash ./test/train_performance_8p.sh --data_path=/data/xxx/  # 8卡性能
     

   --data_path参数填写数据集路径，需写到数据集的一级目录。

   模型训练脚本参数说明如下。

   公共参数：
   --data-dir                          //数据集路径
   --addr                              //主机地址
   --workers                           //加载数据进程数      
   --epochs                            //重复训练次数
   --batch-size                        //训练批次大小
   --amp                               //是否使用混合精度
   --multiprocessing-distributed       //是否使用多卡训练
   --device-list '0,1,2,3,4,5,6,7'     //多卡训练指定训练用卡
   

   训练完成后，权重文件保存在当前路径下，并输出模型训练精度和性能信息。

训练结果展示

表 2 训练结果展示表

NAME	Acc@1	FPS	Epochs	AMP_Type	Torch_Version
1p-NPU	-	1955.86	1	O2	1.8
8p-NPU	12.5727	13693.3	10	O2	1.8

版本说明

变更

2023.02.23：更新readme，重新发布。

2021.08.30：首次发布。

FAQ

无。