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’)
  1. 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()
    
  2. 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)
    
  3. 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。

  4. 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)
    
  5. 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)
    
  6. 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()
    
  7. 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。

你可能感兴趣的:(机器学习)