PaddlePaddle-PaddleHub
飞桨(PaddlePaddle)以百度多年的深度学习技术研究和业务应用为基础，是中国首个自主研发、功能完备、 开源开放的产业级深度学习平台，集深度学习核心训练和推理框架、基础模型库、端到端开发套件和丰富的工具组件于一体。PaddleHub旨在为开发者提供丰富的、高质量的、直接可用的预训练模型。
ERNIE
ERNIE(Enhanced Representation through kNowledge IntEgration)是百度提出的知识增强的语义表示模型，通过对词、实体等语义单元的掩码，使得模型学习完整概念的语义表示。在语言推断、语义相似度、命名实体识别、情感分析、问答匹配等自然语言处理(NLP)各类中文任务上的验证显示，模型效果全面超越BERT。
更多详情请参考ERNIE论文。
本文主要介绍如何微调ERNIE做中文情感分析(文本二分类)。项目已上传github。
一、环境安装
# CPU
pip install paddlepaddle
# GPU
pip install paddlepaddle-gpu
pip install paddlehub有gpu的，建议安装paddlepaddle-gpu版(训练速度会提升好几倍)。paddlepaddle-gpu默认安装的是cuda10.2，如果需要安装其他cuda版本，到官方网站查找命令。(注意，从1.8.0开始采用动态图，所以paddlepaddle和paddlehub版本最好从1.8.0开始使用。)
二、数据预处理
这里使用的数据是二分类数据集weibo_senti_100k.csv，即情感倾向只有正向和负向，下载地址:https://github.com/SophonPlus/ChineseNlpCorpus。由于PaddleHub用的是tsv格式的数据集，所以需要将csv格式转成tsv格式。
import pandas as pd
# 转成tsv格式
file_path = "data/weibo_senti_100k/weibo_senti_100k.csv"
text = pd.read_csv(file_path, sep=",")
text = text.sample(frac=1) # 打乱数据集
print(len(text))
train = text[:int(len(text) * 0.8)]
dev = text[int(len(text) * 0.8):int(len(text) * 0.9)]
test = text[int(len(text) * 0.9):]
train.to_csv('data/weibo_senti_100k/train.tsv', sep='\t', header=None, index=False, columns=None, mode="w")
dev.to_csv('data/weibo_senti_100k/dev.tsv', sep='\t', header=None, index=False, columns=None, mode="w")
test.to_csv('data/weibo_senti_100k/test.tsv', sep='\t', header=None, index=False, columns=None, mode="w")
# 验证train,dev,test标签分布是否均匀
for file in ['train', 'dev', 'test']:
file_path = f"data/weibo_senti_100k/{file}.tsv"
text = pd.read_csv(file_path, sep="\t", header=None)
prob = dict()
total = len(text[0])
for i in text[0]:
if prob.get(i) is None:
prob[i] = 1
else:
prob[i] += 1
# 按标签排序
prob = {i[0]: round(i[1] / total, 3) for i in sorted(prob.items(), key=lambda k: k[0])}
print(file, prob, total)随机采样数据集，将训练集、验证集、测试集划分比为8:1:1，然后用\t作分隔符转成tsv格式，最后验证train，dev，test标签分布是否均匀。
三、微调
import paddle
import paddlehub as hub
import ast
import argparse
from paddlehub.datasets.base_nlp_dataset import TextClassificationDataset
class MyDataset(TextClassificationDataset):
# 数据集存放目录
base_path = 'data/weibo_senti_100k'
# 数据集的标签列表，多分类标签格式为['0', '1', '2', '3',...]
label_list = ['0', '1']
def __init__(self, tokenizer, max_seq_len: int = 128, mode: str = 'train'):
if mode == 'train':
data_file = 'train.tsv'
elif mode == 'test':
data_file = 'test.tsv'
else:
data_file = 'dev.tsv'
super().__init__(
base_path=self.base_path,
tokenizer=tokenizer,
max_seq_len=max_seq_len,
mode=mode,
data_file=data_file,
label_list=self.label_list,
is_file_with_header=True)
if __name__ == '__main__':
parser = argparse.ArgumentParser(__doc__)
parser.add_argument("--num_epoch", type=int, default=3, help="Number of epoches for fine-tuning.")
parser.add_argument("--use_gpu", type=ast.literal_eval, default=True,
help="Whether use GPU for fine-tuning, input should be True or False")
parser.add_argument("--learning_rate", type=float, default=5e-5, help="Learning rate used to train with warmup.")
parser.add_argument("--max_seq_len", type=int, default=128, help="Number of words of the longest seqence.")
parser.add_argument("--batch_size", type=int, default=32, help="Total examples' number in batch for training.")
parser.add_argument("--checkpoint_dir", type=str, default='./ernie_checkpoint',
help="Directory to model checkpoint")
parser.add_argument("--save_interval", type=int, default=1, help="Save checkpoint every n epoch.")
args = parser.parse_args()
# 选择模型、任务和类别数
model = hub.Module(name='ernie_tiny', task='seq-cls', num_classes=len(MyDataset.label_list))
train_dataset = MyDataset(tokenizer=model.get_tokenizer(), max_seq_len=args.max_seq_len, mode='train')
dev_dataset = MyDataset(tokenizer=model.get_tokenizer(), max_seq_len=args.max_seq_len, mode='dev')
test_dataset = MyDataset(tokenizer=model.get_tokenizer(), max_seq_len=args.max_seq_len, mode='test')
optimizer = paddle.optimizer.Adam(learning_rate=args.learning_rate, parameters=model.parameters())
trainer = hub.Trainer(model, optimizer, checkpoint_dir=args.checkpoint_dir, use_gpu=args.use_gpu)
trainer.train(train_dataset, epochs=args.num_epoch, batch_size=args.batch_size, eval_dataset=dev_dataset,
save_interval=args.save_interval)
# 在测试集上评估当前训练模型
trainer.evaluate(test_dataset, batch_size=args.batch_size)1.自定义数据集
# 数据集存放目录
base_path = 'data/weibo_senti_100k'
# 数据集的标签列表，多分类标签格式为['0', '1', '2', '3',...]
label_list = ['0', '1']首先需要自定义数据集MyDataset类，在base_path路径下存放train.tsv、test.tsv、dev.tsv三个数据集，定义label_list标签类别。若是多分类，则label_list格式为['0', '1', '2', '3',...]。
2.选择模型
model = hub.Module(name='ernie_tiny', task='seq-cls', num_classes=len(MyDataset.label_list))
name：模型名称，可以选择ernie，ernie_tiny，bert-base-cased，bert-base-chinese,roberta-wwm-ext，roberta-wwm-ext-large等。version：module版本号task：fine-tune任务。seq-cls(文本分类任务)或token-cls(序列标注任务)。num_classes：表示当前文本分类任务的类别数，根据具体使用的数据集确定，默认为2。
PaddleHub还提供BERT等模型可供选择, 当前支持文本分类任务的模型对应的加载示例如下：
模型名 | PaddleHub Module |
ERNIE, Chinese |
|
ERNIE tiny, Chinese |
|
ERNIE 2.0 Base, English |
|
ERNIE 2.0 Large, English |
|
BERT-Base, English Cased |
|
BERT-Base, English Uncased |
|
BERT-Large, English Cased |
|
BERT-Large, English Uncased |
|
BERT-Base, Multilingual Cased |
|
BERT-Base, Multilingual Uncased |
|
BERT-Base, Chinese |
|
BERT-wwm, Chinese |
|
BERT-wwm-ext, Chinese |
|
RoBERTa-wwm-ext, Chinese |
|
RoBERTa-wwm-ext-large, Chinese |
|
RBT3, Chinese |
|
RBTL3, Chinese |
|
ELECTRA-Small, English |
|
ELECTRA-Base, English |
|
ELECTRA-Large, English |
|
ELECTRA-Base, Chinese |
|
ELECTRA-Small, Chinese |
|
3.加载数据集
train_dataset = MyDataset(tokenizer=model.get_tokenizer(), max_seq_len=args.max_seq_len, mode='train')
dev_dataset = MyDataset(tokenizer=model.get_tokenizer(), max_seq_len=args.max_seq_len, mode='dev')
test_dataset = MyDataset(tokenizer=model.get_tokenizer(), max_seq_len=args.max_seq_len, mode='test')
tokenizer：表示该module所需用到的tokenizer，其将对输入文本完成切词，并转化成module运行所需模型输入格式。mode：选择数据模式，可选项有train,test,val， 默认为train。max_seq_len：ERNIE/BERT模型使用的最大序列长度，若出现显存不足，请适当调低这一参数。
预训练模型ERNIE对中文数据的处理是以字为单位，tokenizer作用为将原始输入文本转化成模型model可以接受的输入数据形式。
4.选择优化策略和运行配置
optimizer = paddle.optimizer.Adam(learning_rate=args.learning_rate, parameters=model.parameters())
trainer = hub.Trainer(model, optimizer, checkpoint_dir=args.checkpoint_dir, use_gpu=args.use_gpu)
trainer.train(train_dataset, epochs=args.num_epoch, batch_size=args.batch_size, eval_dataset=dev_dataset,
save_interval=args.save_interval)
# 在测试集上评估当前训练模型
trainer.evaluate(test_dataset, batch_size=args.batch_size)优化策略
Paddle提供了多种优化器选择，如SGD，Adam，Adamax等，详细参见策略。其中Adam:
learning_rate：全局学习率。默认为1e-3；parameters：待优化模型参数。
运行配置
hub.Trainer主要控制Fine-tune的训练，包含以下可控制的参数:
model：被优化模型；optimizer：优化器选择；checkpoint_dir：保存模型参数的地址；use_gpu：是否使用gpu，默认为False。对于GPU用户，建议开启use_gpu。
trainer.train主要控制具体的训练过程，包含以下可控制的参数：
train_dataset：训练时所用的数据集；epochs：训练轮数；batch_size：训练的批大小，如果使用GPU，请根据实际情况调整batch_size；num_workers：works的数量，默认为0；eval_dataset：验证集；log_interval：打印日志的间隔， 单位为执行批训练的次数。save_interval：保存模型的间隔频次，单位为执行训练的轮数。
四、模型预测
import paddlehub as hub
import pandas as pd
if __name__ == '__main__':
file_path = "data/weibo_senti_100k/test.tsv"
text = pd.read_csv(file_path, sep="\t", header=None)
data = [[i] for i in text[1]]
label_map = {0: 0, 1: 1} # {0: 'negative', 1: 'positive'}
model = hub.Module(name='ernie_tiny', task='seq-cls',
load_checkpoint='./ernie_checkpoint/best_model/model.pdparams', label_map=label_map)
results = model.predict(data, max_seq_len=128, batch_size=1, use_gpu=True)
# 输出测试集准确率
count = 0
for i, j in zip(text[0], results):
# print(type(i), type(j))
if int(i) == int(j):
count += 1
print("测试集准确率", count / len(results)) 完成Fine-tune后，Fine-tune过程在验证集上表现最优的模型会被保存在${CHECKPOINT_DIR}/best_model目录下，其中${CHECKPOINT_DIR}目录为Fine-tune时所选择的保存checkpoint的目录。
label_map = {0: 0, 1: 1} # {0: 'negative', 1: 'positive'}
data = [[i] for i in text[1]]label_map为预测标签的映射；data为预测数据，格式为[[数据], [数据], [数据],...,[数据], [数据], [数据]]。
五、结果
训练集：
测试集：
在二分类数据集weibo_senti_100k.csv上，训练集准确率可以达到98%，测试集准确率同样可以达到98%。
参考链接
https://github.com/PaddlePaddle/PaddleHub/tree/release/v2.1/demo/text_classification
