paddle基于ernie的自定义数据集文本分类

ernie是百度开发的一个预训练模型，模型结构类似bert，没错就是ernie成功带我入paddle
ernie1.0在bert的基础上mask做了改进如图，后续bert也使用这种方法比如wwm的模型：

ernie2.0在bert的基础上增加了更多的训练任务任务，目前还没开源

以下个人观点：
这些任务首先大致是pipeline的方法在各个任务上训练到最好，然后使用多任务训练的方法一起进行微调
ernie模型结构也是transformer应该和bert一样，只是在训练模型时增加了更多的任务。
paddle已经将很多预训练模型封装的很好的，调用也非常方便，但是一开始这个高度封装会有点晕，本文尽量从零开始，来跑一个ernie的分类模型，后续会介绍封装后模型的调用以及模型的部署。

还是三个流程：
1.数据处理（将数据变成可以放入到模型的格式）
2.模型构建（构建你想使用的模型）
3.训练和评估模型

1.数据处理
首先同样需要定义一个reader来读取数据和生成数据
这个部分和其它分类模型的区别是需要处理成ernie需要的格式
context部分包括：
1.token_ids ：文本转成index，这里需要注意ernie会提供自己的字典，不需要自己生成字典，可以调用ernie自带的tokenization.py中的convert_tokens_to_ids函数来生成
tokenization.py文件包括token化和convert_tokens_to_ids

vocab_file=r'/ernie/vocab.txt' #字典文件
full_tokenize=FullTokenizer(vocab_file)
tokens=full_tokenize.tokenize("我出生于1960年，湖南人")
print(tokens)
print(full_tokenize.convert_tokens_to_ids(tokens))

2.text_type_ids：输入文本格式，一句话全是0，句子对就是[0,0,…0,1,1…,1]
3.position_ids：句子的绝对位置，代码如下（看代码更好懂）

position_ids = list(range(len(token_ids)))

以上部分就是模型需要的内容了，ernie2.0还要增加一个task_id（后续了）
ernie的reader做的工作比较多（这里细讲分类模型的reader）：
首先reader会有一个BaseReader 这个是覆盖了分类，序列标注等任务的共同的基本操作主要包括：
1.读取文件

def csv_reader(fd, delimiter='\t'):
    def gen():
        for i in fd:
            slots = i.rstrip('\n').split(delimiter)
            if len(slots) == 1:
                yield slots,
            else:
                yield slots
    return gen()
  
 def _read_tsv(self, input_file, quotechar=None):
        """Reads a tab separated value file."""
        with io.open(input_file, "r", encoding="utf8") as f:
            reader = csv_reader(f, delimiter="\t")
            headers = next(reader) #[label,text_a]
            Example = namedtuple('Example', headers) #建立映射标签
            examples = []
            for line in reader:
                example = Example(*line)
                examples.append(example)
            return examples

examples格式如下：
[Example(label=‘1’, text_a=‘去 逛街 咯’)]
2.将example装换成record

def _convert_example_to_record(self, example, max_seq_length, tokenizer):
        """Converts a single `Example` into a single `Record`."""

        text_a = tokenization.convert_to_unicode(example.text_a)
        tokens_a = tokenizer.tokenize(text_a)
        tokens_b = None
        if "text_b" in example._fields:
            text_b = tokenization.convert_to_unicode(example.text_b)
            tokens_b = tokenizer.tokenize(text_b)

        if tokens_b:
            # Modifies `tokens_a` and `tokens_b` in place so that the total
            # length is less than the specified length.
            # Account for [CLS], [SEP], [SEP] with "- 3"
            self._truncate_seq_pair(tokens_a, tokens_b, max_seq_length - 3)
        else:
            # Account for [CLS] and [SEP] with "- 2"
            if len(tokens_a) > max_seq_length - 2:
                tokens_a = tokens_a[0:(max_seq_length - 2)]

        # The convention in BERT/ERNIE is:
        # (a) For sequence pairs:
        #  tokens:   [CLS] is this jack ##son ##ville ? [SEP] no it is not . [SEP]
        #  type_ids: 0     0  0    0    0     0       0 0     1  1  1  1   1 1
        # (b) For single sequences:
        #  tokens:   [CLS] the dog is hairy . [SEP]
        #  type_ids: 0     0   0   0  0     0 0
        #
        # Where "type_ids" are used to indicate whether this is the first
        # sequence or the second sequence. The embedding vectors for `type=0` and
        # `type=1` were learned during pre-training and are added to the wordpiece
        # embedding vector (and position vector). This is not *strictly* necessary
        # since the [SEP] token unambiguously separates the sequences, but it makes
        # it easier for the model to learn the concept of sequences.
        #
        # For classification tasks, the first vector (corresponding to [CLS]) is
        # used as as the "sentence vector". Note that this only makes sense because
        # the entire model is fine-tuned.
        tokens = []
        text_type_ids = []
        tokens.append("[CLS]")
        text_type_ids.append(0)
        for token in tokens_a:
            tokens.append(token)
            text_type_ids.append(0)
        tokens.append("[SEP]")
        text_type_ids.append(0)

        if tokens_b:
            for token in tokens_b:
                tokens.append(token)
                text_type_ids.append(1)
            tokens.append("[SEP]")
            text_type_ids.append(1)

        token_ids = tokenizer.convert_tokens_to_ids(tokens)
        position_ids = list(range(len(token_ids)))

        if self.label_map:
            label_id = self.label_map[example.label]
        else:
            label_id = example.label

        Record = namedtuple(
            'Record',
            ['token_ids', 'text_type_ids', 'position_ids', 'label_id', 'qid'])

        qid = None
        if "qid" in example._fields:
            qid = example.qid

        record = Record(
            token_ids=token_ids,
            text_type_ids=text_type_ids,
            position_ids=position_ids,
            label_id=label_id,
            qid=qid)
        return record

3.对数据进行pad并生成batch