请问finetuning batch size =1 就能取得效果了？

[huangdacheng]

请问finetuning batch size =1 就能取得效果了？

[ghosthamlet]

是的，因为学习率足够小，有效果。当然，你也可以开启gradient_accumulation_steps，这样batch_size和学习率都可以增加。

[huangdacheng]

是的，因为学习率足够小，有效果。当然，你也可以开启gradient_accumulation_steps，这样batch_size和学习率都可以增加。

使用的是多大的学习率啊 ？

[ghosthamlet]

学习率是：5e-8，具体参数见：https://github.com/ghosthamlet/gpt2-ml-torch/issues/6#issuecomment-723391060

[huangdacheng]

学习率是：5e-8，具体参数见：#6 (comment)

感谢题主的分享， 我跑了两天5e-5，┭┮﹏┭┮，请问 5e-5的话能收敛吗？但其实对于gpt2 不收敛的情况下，生成质量也可以能达到要求吗？

[ghosthamlet]

如果batch_size是1的话，5e-5不太可能收敛。除非loss能达到3以下，生成质量才比较正常。 不过这和你的数据集的大小、质量和复杂度也会有关系。你可以加上tensorboard看一下loss的动态曲线，如果没有出现巨大波动，能保持下降趋势，那即使是5e-5，也没问题，可以继续训练，等loss下降到3下面。

[huangdacheng]

我看原始项目的训练方式，其实就是预测 句子X 的最后一个字。你这里也是一样的吗 ？

[ghosthamlet]

是的，我只是用特定类型的小说数据做了微调。

[huangdacheng]

是的，我只是用特定类型的小说数据做了微调。

那其实把stride调成很小很小，例如1 或2， 那效果不就更好吗？

[ghosthamlet]

这个我倒没试验过，你可以试试，不过stride太小的话，训练数据增加，也会增加训练时间。 从另一方面说，stride有点接近数据增强功能，用同一份数据制造很多类似的上下文，延长上下文同时可以提高模型的泛化能力，但如果有很多太过类似的上下文，那就相当于冗余数据了，对收敛和泛化作用不大。

[huangdacheng]

这个我倒没试验过，你可以试试，不过stride太小的话，训练数据增加，也会增加训练时间。 从另一方面说，stride有点接近数据增强功能，用同一份数据制造很多类似的上下文，延长上下文同时可以提高模型的泛化能力，但如果有很多太过类似的上下文，那就相当于冗余数据了，对收敛和泛化作用不大。

那我感觉 是我自己理解错了，我看代码认为 是训练时或finetuning时，每个step的loss 其实只是 预测输入句子X[1,...,s-1]之后 X[s]最后一个汉字的loss 现在再看回去，感觉自己理解错了。我这个理解是不是错误的啊？

[ghosthamlet]

对，你的理解是错的，训练或finetuning的loss都计算了整个输入句子汉字的loss。

[huangdacheng]

对，你的理解是错的，训练或finetuning的loss都计算了整个输入句子汉字的loss。

感谢指点！

[ghosthamlet]

不客气。