在完成安装PaddlePaddle与PaddleHub后，通过执行脚本sh run_sequence_label.sh即可开始使用ERNIE对MSRA_NER数据集进行Fine-tune。
其中脚本参数说明如下：
# 模型相关
--use_gpu: 是否使用GPU，默认为False；
--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；
--use_data_parallel: 是否使用并行计算，默认True。打开该功能依赖nccl库；
# 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。使用PaddleHub Fine-tune API进行Fine-tune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。
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")dataset = hub.dataset.MSRA_NER()
reader = hub.reader.SequenceLabelReader(
dataset=dataset,
vocab_path=module.get_vocab_path(),
max_seq_len=128,
sp_model_path=module.get_spm_path(),
word_dict_path=module.get_word_dict_path())其中数据集的准备代码可以参考msra_ner.py。
hub.dataset.MSRA_NER() 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_vaocab_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；
module.sp_model_path 和 module.word_dict_path 用于 ERNIE Tiny 中文sub-word中文切词技术；
SequenceLabelReader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。
- 如果选择的预训练模型不是ERNIE Tiny，则无需设定sp_model_path和word_dict_path参数。
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。
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)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；（2） 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；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；
sequence_output = outputs["sequence_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
]
seq_label_task = hub.SequenceLabelTask(
data_reader=reader,
feature=sequence_output,
feed_list=feed_list,
max_seq_len=args.max_seq_len,
num_classes=dataset.num_labels,
config=config,
add_crf=False)
seq_label_task.finetune_and_eval()NOTE:
outputs["sequence_output"]返回了ERNIE/BERT模型输入单词的对应输出,可以用于单词的特征表达；feed_list中的inputs参数指名了ERNIE/BERT中的输入tensor的顺序，与SequenceLabelReader返回的结果一致；hub.SequenceLabelTask通过输入特征，迁移的类别数，可以生成适用于序列标注的迁移任务SequenceLabelTask；hub.SequenceLabelTask通过add_crf, 选择是否加入crf作为decoder。如果add_crf=True, 则在预训练模型计算图加入fc+crf层，否则只在在预训练模型计算图加入fc层；
如果想改变迁移任务组网，详细参见自定义迁移任务。
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。
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_sequence_label/"
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 |
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。