概述

简述

Transformer模型通过跟踪序列数据中的关系来学习上下文并因此学习含义。该模型使用全Attention的结构代替了LSTM，抛弃了之前传统的Encoder-Decoder模型必须结合CNN或者RNN的固有模式，在减少计算量和提高并行效率的同时还取得了更好的结果。

• 参考实现：

  [object Object]

• 适配昇腾 AI 处理器的实现：

  [object Object]

准备训练环境

准备环境

• 当前模型支持的 PyTorch 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。

  [object Object]

准备数据集

1. 获取数据集。

   用户自行下载 WMT (Workshop on Machine Translation)数据集，并将数据集上传到源码包中的 ./examples/translation 目录下并解压。

   表 2 数据集简介表

   来源	名称
   wmt13	training-parallel-europarl-v7.tgz
   wmt13	training-parallel-commoncrawl.tgz
   wmt17	training-parallel-nc-v12.tgz
   wmt17	dev.tgz
   wmt14	test-full.tgz

   其中，前四项语料为训练集+验证集；最后一项语料为测试集。

2. 数据预处理。

   进入源码包根目录下执行下面脚本。

   [object Object]

开始训练

训练模型

1. 进入解压后的源码包根目录。

   [object Object]

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。

     [object Object]

   • 单机8卡训练

     启动8卡训练。

     [object Object]

   --data_path参数填写 run_preprocessing.sh 中 DATASET_DIR 的路径。

   模型训练脚本参数说明如下。

   [object Object]

   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 3 训练结果展示表

NAME	Acc@1	FPS	Epochs	AMP_Type	Torch_Version
1p-竞品V	-	-	1	-	1.5
8p-竞品V	-	-	3	-	1.5
1p-NPU	-	869.903	1	O2	1.8
8p-NPU	10.8858	6326.66	3	O2	1.8

版本说明

变更

2022.11.11：更新torch1.8版本，重新发布。

2021.01.12：首次发布。

FAQ

无。