本示例将展示如何使用PaddleHub Finetune API以及Transformer类预训练模型完成分类任务。 其中分类任务可以分为两大类:
-
单句分类
- ChnSentiCorp
- GLUE-Cola
- GLUE-SST2
-
句对分类
- LCQMC
- NLPCC-DBQA
- GLUE-MNLI
- GLUE-QQP
- GLUE-QNLI
- GLUE-STS-B
- GLUE-MRPC
- GLUE-RTE
- XNLI
在完成安装PaddlePaddle与PaddleHub后,通过执行脚本sh run_classifier.sh
即可开始使用ERNIE对ChnSentiCorp数据集进行Finetune。
其中脚本参数说明如下:
# 模型相关
--batch_size: 批处理大小,请结合显存情况进行调整,若出现显存不足,请适当调低这一参数
--learning_rate: Finetune的最大学习率
--weight_decay: 控制正则项力度的参数,用于防止过拟合,默认为0.01
--warmup_proportion: 学习率warmup策略的比例,如果0.1,则学习率会在前10%训练step的过程中从0慢慢增长到learning_rate, 而后再缓慢衰减,默认为0
--num_epoch: Finetune迭代的轮数
--max_seq_len: ERNIE/BERT模型使用的最大序列长度,最大不能超过512, 若出现显存不足,请适当调低这一参数
--use_data_parallel: 是否使用并行计算,默认False。打开该功能依赖nccl库。
--use_pyreader: 是否使用pyreader,默认False。
--use_taskid: 是否使用taskid,taskid是ERNIE 2.0特有的,use_taskid=True表示使用ERNIE 2.0;如果想使用ERNIE 1.0 或者BERT等module,use_taskid应该设置为False。
# 任务相关
--checkpoint_dir: 模型保存路径,PaddleHub会自动保存验证集上表现最好的模型
--dataset: 有以下数据集可选: chnsenticorp, lcqmc, nlpcc_dbqa, GLUE, XNLI
使用PaddleHub Finetune API进行Finetune可以分为4个步骤
module = hub.Module(name="ernie")
inputs, outputs, program = module.context(trainable=True, max_seq_len=128)
其中最大序列长度max_seq_len
是可以调整的参数,建议值128,根据任务文本长度不同可以调整该值,但最大不超过512。
如果想尝试BERT模型,只需要更换Module中的name
参数即可.
PaddleHub还提供BERT模型可供选择, 所有模型对应的加载示例如下:
模型名 | PaddleHub Module |
---|---|
ERNIE, Chinese | hub.Module(name='ernie') |
ERNIE 2.0 Base, English | hub.Module(name='ernie_v2_eng_base') |
ERNIE 2.0 Large, English | hub.Module(name='ernie_v2_eng_large') |
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') |
# 更换name参数即可无缝切换BERT中文模型, 代码示例如下
module = hub.Module(name="bert_chinese_L-12_H-768_A-12")
dataset = hub.dataset.ChnSentiCorp()
reader = hub.reader.ClassifyReader(
dataset=dataset,
vocab_path=module.get_vocab_path(),
max_seq_len=128,
use_task_id=False)
metrics_choices = ["acc"]
其中数据集的准备代码可以参考 chnsenticorp.py
hub.dataset.ChnSentiCorp()
会自动从网络下载数据集并解压到用户目录下$HOME/.paddlehub/dataset
目录
module.get_vocab_path()
会返回预训练模型对应的词表
max_seq_len
需要与Step1中context接口传入的序列长度保持一致
use_task_id
表示是否使用ERNIR 2.0 module
ClassifyReader中的data_generator
会自动按照模型对应词表对数据进行切词,以迭代器的方式返回ERNIE/BERT所需要的Tensor格式,包括input_ids
,position_ids
,segment_id
与序列对应的mask input_mask
.
NOTE: Reader返回tensor的顺序是固定的,默认按照input_ids, position_ids, segment_id, input_mask这一顺序返回。
同时,利用Accuracy作为评价指标。
strategy = hub.AdamWeightDecayStrategy(
learning_rate=5e-5,
weight_decay=0.01,
warmup_proportion=0.0,
lr_scheduler="linear_decay",
)
config = hub.RunConfig(use_cuda=True, num_epoch=3, batch_size=32, strategy=strategy)
针对ERNIE与BERT类任务,PaddleHub封装了适合这一任务的迁移学习优化策略AdamWeightDecayStrategy
learning_rate
: Finetune过程中的最大学习率;
weight_decay
: 模型的正则项参数,默认0.01,如果模型有过拟合倾向,可适当调高这一参数;
warmup_proportion
: 如果warmup_proportion>0, 例如0.1, 则学习率会在前10%的steps中线性增长至最高值learning_rate;
lr_scheduler
: 有两种策略可选(1) linear_decay
策略学习率会在最高点后以线性方式衰减; noam_decay
策略学习率会在最高点以多项式形式衰减;
RunConfig
主要控制Finetune的训练,包含以下可控制的参数:
log_interval
: 进度日志打印间隔,默认每10个step打印一次eval_interval
: 模型评估的间隔,默认每100个step评估一次验证集save_ckpt_interval
: 模型保存间隔,请根据任务大小配置,默认只保存验证集效果最好的模型和训练结束的模型use_cuda
: 是否使用GPU训练,默认为Falsecheckpoint_dir
: 模型checkpoint保存路径, 若用户没有指定,程序会自动生成num_epoch
: finetune的轮数batch_size
: 训练的批大小,如果使用GPU,请根据实际情况调整batch_sizeenable_memory_optim
: 是否使用内存优化, 默认为Truestrategy
: Finetune优化策略
pooled_output = outputs["pooled_output"]
# feed_list的Tensor顺序不可以调整
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)
cls_task.finetune_and_eval()
NOTE:
outputs["pooled_output"]
返回了ERNIE/BERT模型对应的[CLS]向量,可以用于句子或句对的特征表达。feed_list
中的inputs参数指名了ERNIE/BERT中的输入tensor的顺序,与ClassifyReader返回的结果一致。hub.TextClassifierTask
通过输入特征,label与迁移的类别数,可以生成适用于文本分类的迁移任务TextClassifierTask
Finetune API训练过程中会自动对关键训练指标进行打点,启动程序后执行下面命令
$ tensorboard --logdir $CKPT_DIR/visualization --host ${HOST_IP} --port ${PORT_NUM}
其中${HOST_IP}为本机IP地址,${PORT_NUM}为可用端口号,如本机IP地址为192.168.0.1,端口号8040,用浏览器打开192.168.0.1:8040,即可看到训练过程中指标的变化情况
通过Finetune完成模型训练后,在对应的ckpt目录下,会自动保存验证集上效果最好的模型。 配置脚本参数
CKPT_DIR="ckpt_chnsentiment/"
python predict.py --checkpoint_dir $CKPT_DIR --max_seq_len 128
其中CKPT_DIR为Finetune API保存最佳模型的路径, max_seq_len是ERNIE模型的最大序列长度,请与训练时配置的参数保持一致
参数配置正确后,请执行脚本sh run_predict.sh
,即可看到以下文本分类预测结果, 以及最终准确率。
如需了解更多预测步骤,请参考predict.py
text=键盘缝隙大进灰,装系统自己不会装,屏幕有点窄玩游戏人物有点变形 label=0 predict=0
accuracy = 0.954267