Question

我正在google colab上运行一个简单的注释分类任务。我正在使用DistilBERT进行上下文嵌入。我仅使用4000个训练样本，导致笔记本不断崩溃。当我运行单元以获取嵌入时，我会保持一个关于RAM利用率如何增加的标签。我看到它从3gb到8gb之间振荡。它不应该只是增加吗？任何人都可以在较低的级别上解释它的工作原理。

这是我的代码，最后是我看到上述内容的单元格。

# For DistilBERT:
model_class, tokenizer_class, pretrained_weights = (ppb.DistilBertModel, ppb.DistilBertTokenizer, 'distilbert-base-uncased')

## Want BERT instead of distilBERT? Uncomment the following line:
#model_class, tokenizer_class, pretrained_weights = (ppb.BertModel, ppb.BertTokenizer, 'bert-base-uncased')

# Load pretrained model/tokenizer
tokenizer = tokenizer_class.from_pretrained(pretrained_weights)
model = model_class.from_pretrained(pretrained_weights)

max_len=80
tokenized = sample['comment_text'].apply((lambda x: tokenizer.encode(x, add_special_tokens=True,max_length= max_len)))

padded = np.array([i + [0]*(max_len-len(i)) for i in tokenized.values])

attention_mask = np.where(padded != 0, 1, 0)
attention_mask.shape

input_ids = torch.tensor(padded)  
attention_mask = torch.tensor(attention_mask)

**with torch.no_grad():
    last_hidden_states = model(input_ids, attention_mask=attention_mask)**

运行BERT模型时Google Colab中的RAM波动

0 个答案: