File size: 4,302 Bytes
6a92f1f
 
e391945
6a92f1f
 
 
 
 
 
 
 
 
 
 
 
 
 
 
e391945
 
6a92f1f
e391945
 
6a92f1f
 
e391945
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
6a92f1f
 
 
 
 
 
 
 
 
 
 
e391945
6a92f1f
 
 
 
e391945
 
6a92f1f
 
 
e391945
 
6a92f1f
 
 
e391945
6a92f1f
 
 
e391945
6a92f1f
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
e391945
6a92f1f
e391945
6a92f1f
e391945
6a92f1f
e391945
6a92f1f
e391945
6a92f1f
 
 
 
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
import torch
from transformers import AutoTokenizer, AutoModelForSequenceClassification, TrainingArguments, Trainer
from datasets import load_dataset
import numpy as np
from sklearn.metrics import accuracy_score, precision_recall_fscore_support

def compute_metrics(pred):
    labels = pred.label_ids
    preds = pred.predictions.argmax(-1)
    precision, recall, f1, _ = precision_recall_fscore_support(labels, preds, average='weighted')
    acc = accuracy_score(labels, preds)
    return {
        'accuracy': acc,
        'f1': f1,
        'precision': precision,
        'recall': recall
    }

class ArabicDialectTrainer:
    def __init__(self, model_name="CAMeL-Lab/bert-base-arabic-camelbert-msa"):
        self.tokenizer = AutoTokenizer.from_pretrained(model_name)
        # 18 فئة للهجات العربية المختلفة
        self.model = AutoModelForSequenceClassification.from_pretrained(model_name, num_labels=18)
        self.device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
        self.model.to(self.device)
        
        # تعريف تصنيف اللهجات
        self.dialect_mapping = {
            0: 'OM',  # عُمان
            1: 'SD',  # السودان
            2: 'SA',  # السعودية
            3: 'KW',  # الكويت
            4: 'QA',  # قطر
            5: 'LB',  # لبنان
            6: 'JO',  # الأردن
            7: 'SY',  # سوريا
            8: 'IQ',  # العراق
            9: 'MA',  # المغرب
            10: 'EG', # مصر
            11: 'PL', # فلسطين
            12: 'YE', # اليمن
            13: 'BH', # البحرين
            14: 'DZ', # الجزائر
            15: 'AE', # الإمارات
            16: 'TN', # تونس
            17: 'LY'  # ليبيا
        }

    def tokenize_data(self, examples):
        return self.tokenizer(
            examples['text'],
            padding='max_length',
            truncation=True,
            max_length=128
        )

    def prepare_dataset(self, dataset):
        tokenized_dataset = dataset.map(self.tokenize_data, batched=True)
        tokenized_dataset = tokenized_dataset.remove_columns(['text', 'id'])
        tokenized_dataset = tokenized_dataset.rename_column('label', 'labels')
        tokenized_dataset.set_format('torch')
        return tokenized_dataset

    def train(self, train_dataset, eval_dataset=None, output_dir="./trained_model", num_train_epochs=3):
        print("تهيئة معلمات التدريب...")
        training_args = TrainingArguments(
            output_dir=output_dir,
            num_train_epochs=num_train_epochs,
            per_device_train_batch_size=32,
            per_device_eval_batch_size=32,
            warmup_steps=500,
            weight_decay=0.01,
            logging_dir='./logs',
            logging_steps=100,
            evaluation_strategy="epoch" if eval_dataset else "no",
            save_strategy="epoch",
            load_best_model_at_end=True if eval_dataset else False,
            metric_for_best_model="f1" if eval_dataset else None,
        )

        trainer = Trainer(
            model=self.model,
            args=training_args,
            train_dataset=train_dataset,
            eval_dataset=eval_dataset,
            compute_metrics=compute_metrics,
        )

        print("بدء التدريب...")
        trainer.train()
        
        if eval_dataset:
            print("تقييم النموذج...")
            results = trainer.evaluate()
            print(f"نتائج التقييم: {results}")

        print("حفظ النموذج...")
        self.model.save_pretrained(output_dir)
        self.tokenizer.save_pretrained(output_dir)
        print("تم حفظ النموذج بنجاح!")

def main():
    print("تحميل مجموعة البيانات...")
    dataset = load_dataset("Abdelrahman-Rezk/Arabic_Dialect_Identification")
    
    trainer = ArabicDialectTrainer()
    
    print("تجهيز البيانات للتدريب...")
    train_dataset = trainer.prepare_dataset(dataset['train'])
    eval_dataset = trainer.prepare_dataset(dataset['validation'])
    
    print("بدء عملية التدريب...")
    trainer.train(train_dataset, eval_dataset)

if __name__ == "__main__":
    main()