Paddle加载NLP的各类预训练模型方法总结(以文本分类任务为例，包含完整代码)

一、Introduction

最近宅在家，有空只能搞搞NLP的比赛。由于缺乏GPU的加持，只好白嫖百度的AI Studio(毕竟人家提供免费的Tesla V100)。在此不得不赞扬一下优秀的国产深度学习框架–Paddle(飞浆)，代码精炼，使用简单，具有极高的集成度，非常适合初学者上手。
由于代码中用到了各种预训练模型做迁移学习，所以在此记录一下Paddle Hub加载各类预训练模型的方法。

二、Method

使用Paddle进行训练大概分为以下几个步骤：

• 加载预训练模型
• 加载数据集
• 生成reader
• 选择Fine-Tune优化策略
• 选择运行配置
• 组建Fine-Tune任务
• 开始Fine-Tune

1. 加载预训练模型

   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
   然后通过下面的语法进行预训练模型的加载(若本地未找到会自动联网下载且不限速)

   import paddlehub as hub
   module = hub.Module(name="ernie")
   

   一些常用的NLP预训练模型如下表所示：

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’)

2. 准备Dataset
   下面是自定义数据集的写法，输入的file需要以文本\t标签的格式保存。

   from paddlehub.dataset.base_nlp_dataset import BaseNLPDataset
    
   class DemoDataset(BaseNLPDataset):
       """DemoDataset"""
       def __init__(self):
           # 数据集存放位置
           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",
               # 如果还有预测数据（不需要文本类别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,
               # 数据集类别集合
               label_list=["0", "1"])
   dataset = DemoDataset()
   

3. 生成Reader
   接着生成一个reader，以文本分类任务为例，reader负责将dataset的数据进行预处理，首先对文本进行分词，然后以特定格式组织并输入给模型进行训练。

   ClassifyReader的参数有三个：

   • dataset: 传入PaddleHub Dataset;
   • vocab_path: 传入ERNIE/BERT模型对应的词表文件路径;
   • max_seq_len: ERNIE模型的最大序列长度，若序列长度不足，会通过padding方式补到max_seq_len, 若序列长度大于该值，则会以截断方式让序列长度为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)
   

4. 选择Fine-Tune优化策略
   对于ERNIE/BERT这类Transformer模型来说最合适的迁移优化策略就是AdamWeightDecayStrategy了。

   AdamWeightDecayStrategy的参数有三个：

   • learning_rate: 最大学习率
   • lr_scheduler: 有linear_decay和noam_decay两种衰减策略可选
   • warmup_proprotion: 训练预热的比例，若设置为0.1, 则会在前10%的训练step中学习率逐步提升到learning_rate
   • weight_decay: 权重衰减，类似模型正则项策略，避免模型overfitting
   • optimizer_name: 优化器名称，推荐使用Adam

   strategy = hub.AdamWeightDecayStrategy(
       weight_decay=0.01,
       warmup_proportion=0.1,
       learning_rate=5e-5)
   

   PaddleHub还额外提供了多个优化策略，如AdamWeightDecayStrategy、ULMFiTStrategy、DefaultFinetuneStrategy等，详细参数说明请移步官方文档。

5. 运行配置
   在进行Finetune前，我们可以设置一些运行时的配置。

   • use_cuda：设置为False表示使用CPU进行训练。如果您本机支持GPU，且安装的是GPU版本的PaddlePaddle，我们建议您将这个选项设置为True
   • epoch：要求Finetune的任务只遍历1次训练集
   • batch_size：每次训练的时候，给模型输入的每批数据大小为32，模型训练时能够并行处理批数据，因此batch_size越大，训练的效率越高，但是同时带来了内存的负荷，过大的batch_size可能导致内存不足而无法训练，因此选择一个合适的batch_size是很重要的一步
   • log_interval：每隔10 步打印一次训练日志
   • eval_interval：每隔50 步在验证集上进行一次性能评估
   • checkpoint_dir：将训练的参数和数据保存到model文件夹下
   • strategy：使用DefaultFinetuneStrategy策略进行finetune

   config = hub.RunConfig(
   	use_cuda=True,
   	num_epoch=5,
   	checkpoint_dir="model",
   	batch_size=100,
   	eval_interval=50,
   	strategy=strategy)
   

6. 组建Fine-Tune任务
   有了合适的预训练模型和准备要迁移的数据集后，我们开始组建一个Task。

   • 获取module的上下文环境，包括输入和输出的变量，以及Paddle Program；
   • 从输出变量中找到用于情感分类的文本特征pooled_output；
   • 在pooled_output后面接入一个全连接层，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)
   

7. 开始Fine-Tune
   我们通过finetune_and_eval接口来进行模型训练。这个接口在finetune的过程中会周期性的进行模型效果的评估，以便我们了解整个训练过程的性能变化。

   run_states = cls_task.finetune_and_eval()
   

8. 模型预测

   import numpy as np
   
   # 写入预测的文本数据
   data = [
       ["抗击新型肺炎第一线中国加油鹤岗・绥滨县"],["正能量青年演员朱一龙先生一起武汉祈福武汉加油中国加油"]]
   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:
       # 获取预测的标签索引
       batch_result = np.argmax(batch_result, axis=2)[0]
       for result in batch_result:
           print("%s\预测值=%s" % (data[index][0], result))
           index += 1
   

三、Conclusion

本次文章简单介绍了以文本分类任务为例的paddle框架做预训练模型加载和微调的过程。这种新一代的国产框架确实有很多亮点，值得我们去学习与探索。