一、Introduction
最近宅在家,有空只能搞搞NLP的比賽。由於缺乏GPU的加持,只好白嫖百度的AI Studio(畢竟人家提供免費的Tesla V100)。在此不得不讚揚一下優秀的國產深度學習框架–Paddle(飛漿),代碼精煉,使用簡單,具有極高的集成度,非常適合初學者上手。
由於代碼中用到了各種預訓練模型做遷移學習,所以在此記錄一下Paddle Hub加載各類預訓練模型的方法。
二、Method
使用Paddle進行訓練大概分爲以下幾個步驟:
- 加載預訓練模型
- 加載數據集
- 生成reader
- 選擇Fine-Tune優化策略
- 選擇運行配置
- 組建Fine-Tune任務
- 開始Fine-Tune
-
加載預訓練模型
首先需要在命令行更新paddlehub到最新版本:
pip install --upgrade paddlehub -i https://pypi.tuna.tsinghua.edu.cn/simple
然後通過下面的語法進行預訓練模型的加載(若本地未找到會自動聯網下載且不限速)import paddlehub as hub module = hub.Module(name="ernie")
一些常用的NLP預訓練模型如下表所示:
模型名 | PaddleHub Module |
---|---|
ERNIE, Chinese | hub.Module(name=‘ernie’) |
ERNIE 2.0 Tiny, Chinese | hub.Module(name=‘ernie_tiny’) |
ERNIE 2.0 Base, English | hub.Module(name=‘ernie_v2_eng_base’) |
ERNIE 2.0 Large, English | hub.Module(name=‘ernie_v2_eng_large’) |
RoBERTa-Large, Chinese | hub.Module(name=‘roberta_wwm_ext_chinese_L-24_H-1024_A-16’) |
RoBERTa-Base, Chinese | hub.Module(name=‘roberta_wwm_ext_chinese_L-12_H-768_A-12’) |
BERT-Base, Uncased | hub.Module(name=‘bert_uncased_L-12_H-768_A-12’) |
BERT-Large, Uncased | hub.Module(name=‘bert_uncased_L-24_H-1024_A-16’) |
BERT-Base, Cased | hub.Module(name=‘bert_cased_L-12_H-768_A-12’) |
BERT-Large, Cased | hub.Module(name=‘bert_cased_L-24_H-1024_A-16’) |
BERT-Base, Multilingual Cased | hub.Module(nane=‘bert_multi_cased_L-12_H-768_A-12’) |
BERT-Base, Chinese | hub.Module(name=‘bert_chinese_L-12_H-768_A-12’) |
-
準備Dataset
下面是自定義數據集的寫法,輸入的file需要以文本\t標籤
的格式保存。from paddlehub.dataset.base_nlp_dataset import BaseNLPDataset class DemoDataset(BaseNLPDataset): """DemoDataset""" def __init__(self): # 數據集存放位置 self.dataset_dir = "path/to/dataset" super(DemoDataset, self).__init__( base_path=self.dataset_dir, train_file="train.tsv", dev_file="dev.tsv", test_file="test.tsv", # 如果還有預測數據(不需要文本類別label),可以放在predict.tsv predict_file="predict.tsv", train_file_with_header=True, dev_file_with_header=True, test_file_with_header=True, predict_file_with_header=True, # 數據集類別集合 label_list=["0", "1"]) dataset = DemoDataset()
-
生成Reader
接着生成一個reader,以文本分類任務爲例,reader負責將dataset的數據進行預處理,首先對文本進行分詞,然後以特定格式組織並輸入給模型進行訓練。ClassifyReader的參數有三個:
- dataset: 傳入PaddleHub Dataset;
- vocab_path: 傳入ERNIE/BERT模型對應的詞表文件路徑;
- max_seq_len: ERNIE模型的最大序列長度,若序列長度不足,會通過padding方式補到max_seq_len, 若序列長度大於該值,則會以截斷方式讓序列長度爲max_seq_len;
reader = hub.reader.ClassifyReader( dataset=dataset, vocab_path=module.get_vocab_path(), sp_model_path=module.get_spm_path(), word_dict_path=module.get_word_dict_path(), max_seq_len=128)
-
選擇Fine-Tune優化策略
對於ERNIE/BERT這類Transformer模型來說最合適的遷移優化策略就是AdamWeightDecayStrategy了。AdamWeightDecayStrategy的參數有三個:
- learning_rate: 最大學習率
- lr_scheduler: 有linear_decay和noam_decay兩種衰減策略可選
- warmup_proprotion: 訓練預熱的比例,若設置爲0.1, 則會在前10%的訓練step中學習率逐步提升到learning_rate
- weight_decay: 權重衰減,類似模型正則項策略,避免模型overfitting
- optimizer_name: 優化器名稱,推薦使用Adam
strategy = hub.AdamWeightDecayStrategy( weight_decay=0.01, warmup_proportion=0.1, learning_rate=5e-5)
PaddleHub還額外提供了多個優化策略,如AdamWeightDecayStrategy、ULMFiTStrategy、DefaultFinetuneStrategy等,詳細參數說明請移步官方文檔。
-
運行配置
在進行Finetune前,我們可以設置一些運行時的配置。- use_cuda:設置爲False表示使用CPU進行訓練。如果您本機支持GPU,且安裝的是GPU版本的PaddlePaddle,我們建議您將這個選項設置爲True
- epoch:要求Finetune的任務只遍歷1次訓練集
- batch_size:每次訓練的時候,給模型輸入的每批數據大小爲32,模型訓練時能夠並行處理批數據,因此batch_size越大,訓練的效率越高,但是同時帶來了內存的負荷,過大的batch_size可能導致內存不足而無法訓練,因此選擇一個合適的batch_size是很重要的一步
- log_interval:每隔10 步打印一次訓練日誌
- eval_interval:每隔50 步在驗證集上進行一次性能評估
- checkpoint_dir:將訓練的參數和數據保存到model文件夾下
- strategy:使用DefaultFinetuneStrategy策略進行finetune
config = hub.RunConfig( use_cuda=True, num_epoch=5, checkpoint_dir="model", batch_size=100, eval_interval=50, strategy=strategy)
-
組建Fine-Tune任務
有了合適的預訓練模型和準備要遷移的數據集後,我們開始組建一個Task。- 獲取module的上下文環境,包括輸入和輸出的變量,以及Paddle Program;
- 從輸出變量中找到用於情感分類的文本特徵pooled_output;
- 在pooled_output後面接入一個全連接層,生成Task;
inputs, outputs, program = module.context( trainable=True, max_seq_len=128) # Use "pooled_output" for classification tasks on an entire sentence. pooled_output = outputs["pooled_output"] feed_list = [ inputs["input_ids"].name, inputs["position_ids"].name, inputs["segment_ids"].name, inputs["input_mask"].name, ] cls_task = hub.TextClassifierTask( data_reader=reader, feature=pooled_output, feed_list=feed_list, num_classes=dataset.num_labels, config=config)
-
開始Fine-Tune
我們通過finetune_and_eval接口來進行模型訓練。這個接口在finetune的過程中會週期性的進行模型效果的評估,以便我們瞭解整個訓練過程的性能變化。run_states = cls_task.finetune_and_eval()
-
模型預測
import numpy as np # 寫入預測的文本數據 data = [ ["抗擊新型肺炎第一線中國加油鶴崗・綏濱縣"],["正能量青年演員朱一龍先生一起武漢祈福武漢加油中國加油"]] index = 0 run_states = cls_task.predict(data=data) results = [run_state.run_results for run_state in run_states] for batch_result in results: # 獲取預測的標籤索引 batch_result = np.argmax(batch_result, axis=2)[0] for result in batch_result: print("%s\預測值=%s" % (data[index][0], result)) index += 1
三、Conclusion
本次文章簡單介紹了以文本分類任務爲例的paddle框架做預訓練模型加載和微調的過程。這種新一代的國產框架確實有很多亮點,值得我們去學習與探索。