【深度学习·实践篇】CodeT5模型学习与基于CodeT5进行新的模型训练 _训练

文章目录具体实践5. 配置运行环境6. 启动训练7. 使用模型
写在前面
本文章记录模型的学习过程，笔者深度学习的基础较浅。
学习目标是基于掌握基本的模型建立与模型训练知识，同时基于模型训练可以自动生成go语言代码的模型。
代码库
未完。
一. 一些名词What is fine-tune in deep ?
Fine- in deepisbyfromand using themby using time, money, and othermore .How to fine-tune a deepmodel?
参考：
（原文）
（中文版1）
（中文版2）
参考：
从字面上看，预训练模型（pre- model）是先通过一批语料进行训练模型，然后在这个初步训练好的模型基础上，再继续训练或者另作他用。这样的理解基本上是对的，预训练模型的训练和使用分别对应两个阶段：预训练阶段（pre-）和微调（fune-）阶段。
二. 基于训练自己的模型理论步骤：
由于我没有训练模型的基础，所以步骤部分我直接一步步问了，以下6个步骤是的回答+我的总结。
里面具体的代码细节可能无法对应到具体的模型代码里（实际实践可以看下一节），但是整体步骤和思路是正确的。
1. 安装依赖
需要安装必要的依赖项，包括 3、、Git、unzip等。可以通过以下命令安装这些依赖项：
【【深度学习·实践篇】CodeT5模型学习与基于CodeT5进行新的模型训练】# 安装Python 3和pipsudo apt-get updatesudo apt-get install python3 python3-pip# 安装TensorFlow和Gitpip3 install tensorflow-gpu git# 安装unzip工具sudo apt-get install unzip
2. 下载代码库
通过以下命令将代码库克隆到本地计算机（或者远程服务器）上：
git clone https://github.com/salesforce/CodeT5.git
3. 准备数据集
在进行训练之前，需要准备一个包含自然语言文本和对应的带有类环境的Go代码的数据集。可以将每个样本保存为一个文件。需要确保每个文件都包含以下特征：
./dataset/├── train.tfrecords├── valid.tfrecords└── test.tfrecords
4. 修改训练脚本5. 启动训练
运行.py文件。
6. 进行预测
完成训练后，可以使用训练好的模型进行预测。使用以下命令来进行预测：

文章插图
python3 run_codet5.py --mode=predict --predict_file_pattern=path/to/predict.tfrecords
其中，path/to/.是要进行预测的文件的路径。预测的结果将会保存在//-XXXXX.json文件中。
具体实践 1. 准备数据集
由于是使用进行训练的（模型的实现是基于 2.x框架的），所以需要将原始数据（通常存放在json文件或者csv文件中）转换为格式。
是一种高效的二进制文件格式，可以将多个数据样本组织在一个文件中，并且可以轻松地在训练过程中进行并行读取和解析。
具体的转换可以用代码实现。
更新：
数据的转换在.py中已经通过
这个几行代码实现。不需要自己实现，只需指定数据的路径即可。
2. 配置运行环境
由于我是在服务器上跑模型，没有root权限，最终选择使用管理环境。
具体的配置过程请看我的另一篇博客:学习与实战记录
3. 修改脚本参数
正如上文所说：可以通过在代码中硬编码来指定各个参数的值，也可以在指令中指定。
建议在指令中再指定，硬编码到文件里会有一些奇怪的错误（个人经验）。