qa_classification

PaddleHub 检索式问答任务

本示例将展示如何使用PaddleHub Fine-tune API以及Transformer类预训练模型在NLPCC-DBQA数据集上完成检索式问答任务。

如何开始Fine-tune

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NLPCC-DBQA数据集进行Fine-tune。

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: Fine-tune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: Fine-tune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；

# 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；

代码步骤

使用PaddleHub Fine-tune API进行Fine-tune可以分为4个步骤：

Step1: 加载预训练模型

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。

PaddleHub还提供BERT等模型可供选择, 模型对应的加载示例如下：

模型名	PaddleHub Module
ERNIE, Chinese	hub.Module(name='ernie')
ERNIE 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')
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')
BERT-wwm, Chinese	hub.Module(name='bert_wwm_chinese_L-12_H-768_A-12')
BERT-wwm-ext, Chinese	hub.Module(name='bert_wwm_ext_chinese_L-12_H-768_A-12')
RoBERTa-wwm-ext, Chinese	hub.Module(name='roberta_wwm_ext_chinese_L-12_H-768_A-12')
RoBERTa-wwm-ext-large, Chinese	hub.Module(name='roberta_wwm_ext_chinese_L-24_H-1024_A-16')

更多模型请参考PaddleHub官网。

如果想尝试BERT模型，只需要更换Module中的name参数即可。

# 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")

Step2: 准备数据集并使用ClassifyReader读取数据

dataset = hub.dataset.NLPCC_DBQA()
reader = hub.reader.ClassifyReader(
    dataset=dataset,
    vocab_path=module.get_vocab_path(),
    max_seq_len=128)

其中数据集的准备代码可以参考nlpcc_dbqa.py。

hub.dataset.NLPCC_DBQA()) 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；

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。

自定义数据集

如果想加载自定义数据集完成迁移学习，详细参见自定义数据集。

Step3：选择优化策略和运行配置

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, use_data_parallel=True, use_pyreader=True, num_epoch=3, batch_size=32, strategy=strategy)

优化策略

PaddleHub提供了许多优化策略，如AdamWeightDecayStrategy、ULMFiTStrategy、DefaultFinetuneStrategy等，详细信息参见策略。

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: Fine-tune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；

运行配置

RunConfig 主要控制Fine-tune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False；
• use_pyreader: 是否使用pyreader，默认False；
• use_data_parallel: 是否使用并行计算，默认False。打开该功能依赖nccl库；
• checkpoint_dir: 模型checkpoint保存路径, 若用户没有指定，程序会自动生成；
• num_epoch: Fine-tune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_size；
• enable_memory_optim: 是否使用内存优化， 默认为True；
• strategy: Fine-tune优化策略；

Step4: 构建网络并创建分类迁移任务进行Fine-tune

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:

1. 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。
2. 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。
3. 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

自定义迁移任务

如果想改变迁移任务组网，详细参见自定义迁移任务。

可视化

Fine-tune 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。

模型预测

通过Fine-tune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_qa"
python predict.py --checkpoint_dir $CKPT_DIR --max_seq_len 128

其中CKPT_DIR为Fine-tune 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。

我们在AI Studio上提供了IPython NoteBook形式的demo，您可以直接在平台上在线体验，链接如下：

预训练模型	任务类型	数据集	AIStudio链接	备注
ResNet	图像分类	猫狗数据集DogCat	点击体验
ERNIE	文本分类	中文情感分类数据集ChnSentiCorp	点击体验
ERNIE	文本分类	中文新闻分类数据集THUNEWS	点击体验	本教程讲述了如何将自定义数据集加载，并利用Fine-tune API完成文本分类迁移学习。
ERNIE	序列标注	中文序列标注数据集MSRA_NER	点击体验
ERNIE	序列标注	中文快递单数据集Express	点击体验	本教程讲述了如何将自定义数据集加载，并利用Fine-tune API完成序列标注迁移学习。
ERNIE Tiny	文本分类	中文情感分类数据集ChnSentiCorp	点击体验
Senta	文本分类	中文情感分类数据集ChnSentiCorp	点击体验	本教程讲述了任何利用Senta和Fine-tune API完成情感分类迁移学习。
Senta	情感分析预测	N/A	点击体验
LAC	词法分析	N/A	点击体验
Ultra-Light-Fast-Generic-Face-Detector-1MB	人脸检测	N/A	点击体验

超参优化AutoDL Finetuner

PaddleHub还提供了超参优化（Hyperparameter Tuning）功能， 自动搜索最优模型超参得到更好的模型效果。详细信息参见AutoDL Finetuner超参优化功能教程。