Huggingface transformer的Trainer中data_collator的使用

什么时候使用

由Transformers Trainer的文档中可知，Trainer函数有一个参数data_collator，其值也为一个函数，用于从一个list of elements来构造一个batch。这个函数其实就是torch.utils.data.DataLoader中的collate_fn。如果还不知道collate_fn是做何用处，请参考这篇文档。
要用到这个函数，要符合如下两个条件：

1. Trainer的参数train_dataset或eval_dataset是torch.utils.data.Dataset或torch.utils.data.IterableDataset的实体
2. train_dataset或eval_dataset（torch.utils.data.Dataset）加载入DataLoader后，得到的batch不可用，还不能直接加入到model的forward中计算

如何用

这里假设读者已经知道torch.utils.data.DataLoader的collate_fn用法，只介绍Trainer的data_collator和torch.utils.data.DataLoader的collate_fn的差异。
差异就是，输出格式！torch.utils.data.DataLoader的collate_fn的输出可以是各种格式，但Trainer的data_collator的输出只能是一个dict，这个dict的键必须包含“input_ids”，“attention_mask”等transformers models正常运算必要的参数的名称，如果需要，也可以加入任何transformers model.forward()可接受的参数名，而这些键对应的值也必须是transformers model中该键应该对应的输入值。
如果想让模型自动训练loss，还要在这个dict中加入如下键值对：{“labels”: labels in tensor type}，这样模型的输出里就有loss了。

为什么呢？

看两段源码其实就差不多明白了：


第一张图中，这个DataLoader就是一个纯粹的torch.utils.data.DataLoader，self.data_collator就是输入的data_collator函数。所以，这个data_collator就彻彻底底是一个DataLoader的collate_fn啊
第二张图中，input就是如下迭代的结果（其中的dataloader就是第一张图中的dataloader）

for step, inputs in enumerate(DataLoader)

所以，inputs的键值对必须要与model.forwards()的参数相对应也是显然的