百度NLP预训练模型ERNIE2.0最强实操课程来袭!【附教程】

2019年3月,百度正式发布NLP模型ERNIE,其在中文任务中全面超越BERT一度引发业界广泛关注和探讨。经过短短几个月时间,百度ERNIE再升级,发布持续学习的语义理解框架ERNIE 2.0,及基于此框架的ERNIE 2.0预训练模型。继1.0后,ERNIE英文任务方面取得全新突破,在共计16个中英文任务上超越了BERT和XLNet, 取得了SOTA效果。

本篇内容可以说是史上最强实操课程,由浅入深完整带大家试跑ERNIE,大家可前往AI Studio fork代码(https://aistudio.baidu.com/ai...),运行即可获赠12小时GPU算力,每天都有哦~

一、基础部分

1.1 准备代码、数据、模型

step1:下载ERNIE代码。温馨提示:如果下载慢,暂停重试
!git clone --depth 1 https://github.com/PaddlePadd...

step2:下载并解压finetune数据
!wget --no-check-certificate https://ernie.bj.bcebos.com/t...
!tar xf task_data_zh.tgz

step3:下载预训模型
!wget --no-check-certificate https://ernie.bj.bcebos.com/E...
!mkdir -p ERNIE1.0
!tar zxf ERNIE_1.0_max-len-512.tar.gz -C ERNIE1.0

备用方案,如果下载慢的话,可以用我们预先下载好的代码和数据

%cd ~

!cp -r work/ERNIE1.0 ERNIE1.0

!cp -r work/task_data task_data

!cp -r work/lesson/ERNIE ERNIE

完成ERNIE代码部分的准备之后,让我们一起以一个序列标注任务来举例。

什么是序列标注任务?
下面这张图可以概括性的让大家理解序列标注任务:


序列标注的任务可以用来做什么?
可以:信息抽取、数据结构化,帮助搜索引擎搜索的更精准
可以:…

序列标注任务: 一起来看看这个任务的数据长什么样子吧?
序列标注任务输入数据包含2部分:
1)标签映射文件:存储标签到ID的映射。
2)训练测试数据:2列,文本、标签(文本中每个字之间使用隐藏字符2分割,标签同理。)

标签映射文件
!cat task_data/msra_ner/label_map.json
{
"B-PER": 0,
"I-PER": 1,
"B-ORG": 2,
"I-ORG": 3,
"B-LOC": 4,
"I-LOC": 5,
"O": 6
}

测试数据
!head task_data/msra_ner/dev.tsv

B: Begin
I: Inside
O: Outside

ERNIE应用于序列化标注

1.2 利用ERNIE做Finetune

step1:设置环境变量
%cd ERNIE
!ln -s ../task_data
!ln -s ../ERNIE1.0
%env TASK_DATA_PATH=task_data
%env MODEL_PATH=ERNIE1.0
!echo "task_data_path: ${TASK_DATA_PATH}"
!echo "model_path: ${MODEL_PATH}"

step2:运行finetune脚本
!sh script/zh_task/ernie_base/run_msra_ner.sh
1.3将Finetune结果打印
在finetune过程中,会自动保存对test集的预测结果,我们可以查看预测结果是否符合预期。
在finetune过程中,会自动保存对test集的预测结果,我们可以查看预测结果是否符合预期。
、由于Finetune需要一些时间,所以不等Finetune完了,直接查看我们之前已经Finetune收敛后的模型与test集的预测结果
%cd ~
show_ner_prediction('work/lesson/test_result.5.final')

二、进阶部分

2.1 GPU显存过小,如何使用ERNIE?

脚本进阶:模型太大,无法完全放进显存的情况下,如何只使用前3层参数热启Finetune?
如果能只加载几层模型就好了!
方法:只需要修改一行配置文件ernie_config.json,就能自动的使用前3层参数热启Finetune。
提示:ernie_config.json在ERNIE1.0发布的预训练模型中

TODO 结合“终端”标签,运行一下吧
提示:您可以需要用到sed与pwd命令
step1:设置环境变量
%cd ~
%cd ERNIE
!ln -s ../task_data
!ln -s ../ERNIE1.0
%env TASK_DATA_PATH=task_data
%env MODEL_PATH=ERNIE1.0
!echo "task_data_path: ${TASK_DATA_PATH}"
!echo "model_path: ${MODEL_PATH}"
!pwd

!sh script/zh_task/ernie_base/run_msra_ner.sh

2.2如何将ERNIE适配我的业务数据?

数据进阶:如何修改输入格式?
假设msra ner任务的输入数据格式变了,每条样本不是以行式保存,而是以列式保存。列式保存是指,每条样本由多行组成,每行包含一个字符和对应的label,不同样本间以空行分割,具体样例如下:



( https://github.com/PaddlePadd... )
当输入数据为列式时,我们如何修改ERNIE的数据处理代码,以适应新的数据格式。
首先,我们先大致了解一下ERNIE的数据处理流程:
 ERNIE对于finetune任务的所有数据处理代码都在reader/task_reader.py中,里面已经预先写好了适合多种不同类型任务的Reader类,ERNIE通过Reader读取并处理数据给后续模型使用。
 Reader类对数据处理流程做了以下几步抽象:
 step 1. 从文件中逐条读取样本,通过_read_tsv等方法,读取不同格式的文件,并将读取的每条样本存入一个list
 step 2. 逐一将读取的样本转化为Record。Record中包含了一条样本经过数据处理后,模型所需要的所有features。处理成Record的流程一般又分以下几步:

  1. 将文本tokenize,超过最大长度时截断
  2. 加入'[CLS]'、'[SEP]'等标记符后,将文本ID化
  3. 生成每个token对应的position和token_type信息

 step 3. 将多个Record组成batch,同一个batch内feature长度不一致时,padding至batch内最大的feature长度。

了解了ERNIE的数据处理流程以后,我们发现当输入数据格式变了,我们只需要修改第1步的代码,保持其他代码不变,就能适应新的数据格式。具体来说,只需要在reader/task_reader.py的SequenceLabelReader类中,加入下面的_read_tsv函数(重写基类BaseReader的_read_tsv)。

我们将已经修改好的数据和代码,预先放在work/lesson/2目录中,可以替换掉ERNIE项目中对应的文件,然后尝试运行

%cd ~
!cp -r work/lesson/2/msra_ner_columnwise task_data/msra_ner_columnwise
!cp -r work/lesson/2/task_reader.py ERNIE/reader/task_reader.py
!cp -r work/lesson/2/run_msra_ner.sh ERNIE/script/zh_task/ernie_base/run_msra_ner_columnwise.sh
%cd ERNIE
!ln -s ../task_data
!ln -s ../ERNIE1.0
%env TASK_DATA_PATH=task_data
%env MODEL_PATH=ERNIE1.0 !sh script/zh_task/ernie_base/run_msra_ner_columnwise.sh

2.3在哪里改模型结构?

模型进阶:如何将序列标注任务的损失函数替换为CRF?
目前序列标注任务的finetune代码中,以softmax ce作为损失函数,该损失函数较为简单,没有考虑到序列中词与词之间的联系,如何替换一个更优秀的损失函数呢?

https://github.com/PaddlePadd...
我们只需要修改其中的create_model函数,将softmax ce损失函数部分,替换为linear_chain_crf即可,具体代码如下:

我们将已经修改好的数据和代码,预先放在work/lesson/3 目录中,可以替换掉ERNIE项目中对应的文件,然后尝试运行
%cd ~
!cp -r work/lesson/3/sequence_label.py ERNIE/finetune/sequence_label.py
%cd ERNIE
!ln -s ../task_data
!ln -s ../ERNIE1.0
%env TASK_DATA_PATH=task_data
%env MODEL_PATH=ERNIE1.0
!sh script/zh_task/ernie_base/run_msra_ner_columnwise.sh

修改后重新运行finetune脚本:sh script/zh_task/ernie_base/run_msra_ner.sh
等待运行完后,取最后一次评估结果,对比如下:

以上便是实战课程的全部操作,直接fork可点击下方链接:
https://aistudio.baidu.com/ai...

划重点!

查看ERNIE模型使用的完整内容和教程,请点击下方链接,建议Star收藏到个人主页,方便后续查看。

GitHub:https://github.com/PaddlePadd...

版本迭代、最新进展都会在GitHub第一时间发布,欢迎持续关注!

也邀请大家加入ERNIE官方技术交流QQ群:760439550,可在群内交流技术问题,会有ERNIE的研发同学为大家及时答疑解惑。

你可能感兴趣的:(深度学习,nlp)