ژرفا — خودآموز یادگیری عمیق و مهندسی هوش مصنوعی (متوسط)

فصل ۹ از ۹

پیشرفت ترم
۰٪

ترم ۴ · زبان: از `embedding` تا `transformer`

پروژه: مدلِ متنِ فارسیِ خودت

فصل ۹رایگان

در این فصل چه یاد می‌گیری#

هیچ مفهومِ تازه‌ای نیست. هشت فصلِ این ترم را در یک تصمیمِ واقعی جمع می‌کنی: یک بودجهٔ برچسبِ محدود داری و باید بینِ سه راه انتخاب کنی — خطِ پایه، مدلِ آموزش‌دیده از صفر، یا مدلِ آماده.

و سناریو عمداً واقع‌گرایانه است: فقط چهل نمونهٔ برچسب‌خورده. چون در پروژهٔ فارسیِ واقعی، دادهٔ برچسب‌خورده همیشه گران‌ترین چیزِ ماجراست.

یک ترازوی سه‌کفه‌ای که سه گزینه را با یک بودجهٔ محدود می‌سنجد

آخر این فصل می‌توانی:

  • سه راهِ حل را با بودجهٔ یکسان منصفانه مقایسه کنی
  • نتیجه را با چند seed گزارش کنی
  • دقتِ هر کلاس را ببینی و ضعف را توضیح بدهی
  • گزارشی بنویسی که انتخابت را با عدد توجیه می‌کند

قبل از شروع#

از کلِ ترمِ ۴. این فصل هیچ چیزِ تازه‌ای معرفی نمی‌کند.

📓 نوت‌بوک: نوت‌بوک این فصل را در Colab باز کن — همهٔ کدهای این فصل آماده و به‌ترتیب داخلش هست.

💡 نکته: زمانِ تخمینی روی CPU: کمتر از یک دقیقه بعد از دانلودِ مدل. اولین اجرا وزن‌های مدلِ چندزبانه را دانلود می‌کند و چند دقیقه طول می‌کشد؛ اگر نوت‌بوک روی همان سلول ایستاد، خراب نشده.

۱. سناریو و بودجه#

import torch
import torch.nn as nn
from torch.utils.data import TensorDataset, DataLoader
from transformers import AutoTokenizer, AutoModel
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.linear_model import LogisticRegression

loss_fn = nn.CrossEntropyLoss()
BUDGET = 40

y_train = torch.tensor(train_labels)
y_val = torch.tensor(val_labels)
y_test = torch.tensor(test_labels)

print("بودجهٔ برچسب:", BUDGET, "نمونه")
print("توزیع کلاس‌ها در بودجه:", torch.bincount(y_train[:BUDGET], minlength=4).tolist())
print("موضوع‌ها:", TOPIC_NAMES)
بودجهٔ برچسب: 40 نمونه
توزیع کلاس‌ها در بودجه: [7, 15, 12, 6]
موضوع‌ها: ['سفر', 'آشپزی', 'برنامه\u200cنویسی', 'سلامت']

اولین کار، نگاه به توزیع است — و همان‌جا مشکل پیداست: ۱۵ نمونه برای یک کلاس و ۶ برای دیگری.

این نامتوازنی را ما نساختیم؛ نتیجهٔ طبیعیِ برداشتنِ چهل نمونهٔ اولِ یک مجموعهٔ بُرخورده است — و دقیقاً همان چیزی که در پروژهٔ واقعی پیش می‌آید. یادت باشد؛ در بخشِ ۴ توضیحِ ضعفِ مدل را می‌دهد.

۲. سه نامزد، بودجهٔ یکسان#

NAME = "sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2"
tokenizer = AutoTokenizer.from_pretrained(NAME)
base = AutoModel.from_pretrained(NAME)


def encode(texts):
    batch = tokenizer(texts, padding=True, truncation=True, max_length=32, return_tensors="pt")
    return batch["input_ids"], batch["attention_mask"]


@torch.no_grad()
def features(ids, mask, batch=64):
    base.eval()
    out = []
    for i in range(0, len(ids), batch):
        hidden = base(input_ids=ids[i:i + batch], attention_mask=mask[i:i + batch]).last_hidden_state
        m = mask[i:i + batch].unsqueeze(-1).float()
        out.append((hidden * m).sum(1) / m.sum(1))
    return torch.cat(out)


Ftr = features(*encode(train_texts))
Fva = features(*encode(val_texts))
Fte = features(*encode(test_texts))


@torch.no_grad()
def accuracy(model, X, y):
    model.eval()
    return float((model(X).argmax(1) == y).float().mean())


def fit_head(X, y, seed=0, epochs=60, lr=0.01, batch=16):
    torch.manual_seed(seed)
    head = nn.Linear(X.shape[1], 4)
    loader = DataLoader(TensorDataset(X, y), batch_size=batch, shuffle=True)
    opt = torch.optim.Adam(head.parameters(), lr=lr)
    for _ in range(epochs):
        head.train()
        for xb, yb in loader:
            opt.zero_grad()
            loss_fn(head(xb), yb).backward()
            opt.step()
    return head


pretrained = [accuracy(fit_head(Ftr[:BUDGET], y_train[:BUDGET], seed=s), Fva, y_val) for s in (0, 1, 2)]
print("مدل آماده  :", [round(v, 4) for v in pretrained], "| میانگین:", round(sum(pretrained) / 3, 4))

vec = TfidfVectorizer()
tfidf = LogisticRegression(max_iter=1000).fit(vec.fit_transform(train_texts[:BUDGET]), train_labels[:BUDGET])
print("خط پایه TF-IDF:", round(tfidf.score(vec.transform(val_texts), val_labels), 4))
مدل آماده  : [0.8779, 0.8721, 0.9012] | میانگین: 0.8837
خط پایه TF-IDF: 0.5291
words = sorted({w for t in sentences for w in t.split()})
VOCAB = {w: i + 1 for i, w in enumerate(words)}
LEN = max(len(s.split()) for s in sentences)


def encode_ids(texts):
    out = torch.zeros(len(texts), LEN, dtype=torch.long)
    for i, s in enumerate(texts):
        ids = [VOCAB[w] for w in s.split()][:LEN]
        out[i, :len(ids)] = torch.tensor(ids)
    return out


class Scratch(nn.Module):
    def __init__(self, dim=32):
        super().__init__()
        self.emb = nn.Embedding(len(VOCAB) + 1, dim, padding_idx=0)
        self.out = nn.Linear(dim, 4)

    def forward(self, x):
        mask = (x != 0).unsqueeze(-1).float()
        return self.out((self.emb(x) * mask).sum(1) / mask.sum(1).clamp_min(1))


scratch_scores = []
for s in (0, 1, 2):
    torch.manual_seed(s)
    model = Scratch()
    loader = DataLoader(TensorDataset(encode_ids(train_texts[:BUDGET]), y_train[:BUDGET]),
                        batch_size=16, shuffle=True)
    opt = torch.optim.Adam(model.parameters(), lr=0.01)
    for _ in range(60):
        model.train()
        for xb, yb in loader:
            opt.zero_grad()
            loss_fn(model(xb), yb).backward()
            opt.step()
    scratch_scores.append(accuracy(model, encode_ids(val_texts), y_val))

print("از صفر     :", [round(v, 4) for v in scratch_scores], "| میانگین:", round(sum(scratch_scores) / 3, 4))
از صفر     : [0.814, 0.8372, 0.8372] | میانگین: 0.8295

سه نتیجه، و ترتیبشان روشن است:

روش میانگین بازه پارامترِ آموزش‌دیده
خط پایهٔ TF-IDF ۰٫۵۲۹ — —
embedding از صفر ۰٫۸۳۰ ۰٫۸۱۴..۰٫۸۳۷ ۲٬۶۹۲
مدلِ آماده ۰٫۸۸۴ ۰٫۸۷۲..۰٫۹۰۱ ۱٬۵۴۰

و معیارِ ترمِ ۲ فصلِ ۷ را رویش اجرا کن: بازه‌ها هم‌پوشانی دارند یا نه؟

  • مدلِ آماده (۰٫۸۷۲..۰٫۹۰۱) با مدلِ از صفر (۰٫۸۱۴..۰٫۸۳۷) هم‌پوشانی ندارد. ولی این سه seed فقط مقداردهیِ اولیه را عوض کرده‌اند و هر سه روی همان چهل نمونه‌اند. روی ده انتخابِ تصادفیِ چهل‌تاییِ دیگر بازه‌ها کاملاً هم‌پوشانی دارند: ۰٫۸۰۲..۰٫۹۱۵ در برابرِ ۰٫۷۸۵..۰٫۹۱۳، و مدلِ آماده فقط ۶ بار از ۱۰ جلوتر است. پس این برتری روی همین چهل نمونه واقعی است، ولی برتریِ کلیِ مدلِ آماده را ثابت نمی‌کند.
  • و هر دو از خطِ پایه خیلی جلوترند — سی تا سی‌وپنج واحد.

نکتهٔ ظریف در ستونِ آخر: مدلِ آماده کمترین پارامترِ آموزش‌دیده را دارد (فقط یک Linear(384, 4)) و بهترین نتیجه را. دانشِ لازم قبلاً در ۱۱۷ میلیون پارامترِ قفل‌شده هست؛ ما فقط راهِ استفاده‌اش را یاد دادیم.

۳. کجا ضعیف است#

head = fit_head(Ftr[:BUDGET], y_train[:BUDGET])
head.eval()
with torch.no_grad():
    predicted = head(Fva).argmax(1)

print("دقت هر کلاس:", [round(float((predicted[y_val == c] == c).float().mean()), 2) for c in range(4)])
print("تعداد در بودجه:", torch.bincount(y_train[:BUDGET], minlength=4).tolist())
دقت هر کلاس: [0.69, 1.0, 1.0, 0.84]
تعداد در بودجه: [7, 15, 12, 6]

دو ستون را کنارِ هم بخوان:

  • «آشپزی» (۱۵ نمونه) و «برنامه‌نویسی» (۱۲ نمونه): دقتِ کامل.
  • «سفر» (۷ نمونه): ۰٫۶۹. «سلامت» (۶ نمونه): ۰٫۸۴.

هر دو کلاسِ ضعیف همان دو کلاسِ کم‌نمونه‌اند — و این را عددِ کلیِ ۰٫۸۸ پنهان می‌کرد.

ولی به ترتیبشان دقت کن، چون درسِ دومی دارد: «سلامت» با ۶ نمونه از «سفر» با ۷ نمونه بهتر است. یعنی رابطهٔ «نمونهٔ بیشتر ⇒ دقتِ بیشتر» یک گرایش است، نه یک قاعدهٔ دقیق. با این عددهای کوچک — شش و هفت نمونه — تفاوتِ یک نمونه چیزی را ثابت نمی‌کند (همان درسِ ترمِ ۲ فصلِ ۷). آنچه محکم است، شکافِ بینِ دو گروه است: دو کلاسِ پرنمونه ۱٫۰ و دو کلاسِ کم‌نمونه زیرِ ۰٫۸۵.

📏 اندازه بگیر: و همین جدول، عملی‌ترین توصیهٔ پروژه را می‌دهد: بودجهٔ برچسبِ بعدی‌ات را روی «سفر» خرج کن، نه پخش‌شده. هفت نمونهٔ تازه برای کلاسِ ضعیف از هفت نمونهٔ تصادفی بهتر است: در ده اجرا دقتِ کل ۰٫۹۲۴ در برابرِ ۰٫۹۰۶. ولی جای هفتاد نمونهٔ تصادفی را نمی‌گیرد، که ۰٫۹۶۸ می‌دهد. این نوع تصمیم فقط از دقتِ هر کلاس درمی‌آید، نه از عددِ کلی.

۴. آن یک بارِ نهایی#

print("برنده روی آزمون (یک بار):", round(accuracy(head, Fte, y_test), 4))
برنده روی آزمون (یک بار): 0.8736

۰٫۸۷۴ روی آزمون در برابرِ ۰٫۸۸۴ میانگینِ اعتبارسنجی — یک واحد پایین‌تر، کاملاً در محدودهٔ انتظار.

۵. گزارشِ نهایی#

مسئله طبقه‌بندیِ چهار موضوعِ متنِ فارسی، روی دادهٔ ساختگی از شش قالبِ جمله
محدودیت فقط ۴۰ نمونهٔ برچسب‌خورده
داده ۱۷۲ اعتبارسنجی، ۱۷۴ آزمون؛ توزیعِ بودجه: ۷/۱۵/۱۲/۶
روش ویژگیِ مدلِ چندزبانهٔ قفل‌شده + یک Linear(384, 4)
پارامترِ آموزش‌دیده ۱٬۵۴۰ از ۱۱۷ میلیون
اعتبارسنجی ۰٫۸۸۴ میانگین روی سه seed، بازهٔ ۰٫۸۷۲..۰٫۹۰۱
آزمون (یک بار) ۰٫۸۷۴
رقبا از صفر ۰٫۸۳۰ (روی این چهل نمونه بی‌هم‌پوشانی؛ روی ده انتخابِ دیگر با هم‌پوشانی) — TF-IDF ۰٫۵۲۹
ضعف «سفر» ۰٫۶۹ با ۷ نمونه، «سلامت» ۰٫۸۴ با ۶ نمونه
توصیهٔ عملی بودجهٔ برچسبِ بعدی روی دو کلاسِ کم‌نمونه
به‌کارش نبر برای متنِ خارج از این چهار موضوع، یا متنی که ساختارش با پیکرهٔ آموزش فرق دارد
هشدارِ مهم از حدودِ ۲۰۰ نمونه به بعد، TF-IDF به ۱٫۰ می‌رسد و از این مدل بهتر است

آن سطرِ آخر را حتماً بنویس. بدونش، خواننده نتیجه می‌گیرد که مدلِ آماده همیشه برنده است — در حالی که همین گزارش فقط برای بودجهٔ چهل‌تایی معتبر است.

✅ چک کن: قبل از باور کردنِ هر برتری، آزمونِ نشتیِ ترمِ ۲ فصلِ ۷ را اجرا کن: برچسب‌های آموزش را تصادفی بُر بزن و دوباره بسنج. دقت باید به حدودِ ۰٫۲۵ سقوط کند (چهار کلاس). اگر نکرد، جایی نشتی داری.

🔧 اگر کار نکرد: عددها با کتاب نمی‌خوانند — torch.manual_seed یا ترتیبِ داده فرق دارد؛ سلولِ راه‌اندازی را از نو اجرا کن. مدلِ از صفر KeyError می‌دهد — VOCAB را از sentences بساز نه از زیرمجموعهٔ بودجه. دقتِ آزمون خیلی پایین‌تر است — روی اعتبارسنجی overfit کرده‌ای؛ تعدادِ آزمایش‌هایت را بشمار.

🤖 از دستیارت بپرس: کلِ این گزارش را بده و بپرس: «چه چیزی در این جدول می‌تواند گمراه‌کننده باشد؟» انتظارِ درست: به بودجهٔ چهل‌تایی و به نامتوازنیِ کلاس‌ها اشاره کند. اگر گفت «مدلِ آماده بهتر است» و شرطش را نگفت، جوابش ناقص است — و همان چیزی است که این فصل می‌خواهد یادت بدهد که خودت بگیری.

تمرین‌ها

اول خودت فکر کن یا امتحان کن — بعد اینجا را باز کن.

در فصل بعد#

ترمِ ۴ اینجا تمام می‌شود. سه چیز را با خودت ببر:

  • attention ساده است. ضربِ داخلی، softmax، میانگینِ وزن‌دار — و کلِ مدل‌های زبانی روی همین بنا شده‌اند.
  • مالیاتِ فارسی خاصیتِ زبان نیست، خاصیتِ توکنایزر است — و انتخابِ درست هزینه‌ات را سه برابر کم می‌کند.
  • ارزشِ مدلِ آماده در کم بودنِ داده است، نه در سقفِ دقت.

و ترمِ ۵ سؤالِ بعدی را جواب می‌دهد: حالا که می‌دانی این مدل‌ها چطور کار می‌کنند، چطور یک سامانهٔ واقعی رویشان بسازی که خرابی‌اش را بتوانی اندازه بگیری؟

به آخر این فصل رسیدی!

اگر ساختی و جواب داد، این دکمه مال توست.