快速入门教程

我们将以 文本分类问题 为例, 介绍PaddlePaddle的基本使用方法。

安装

请参考 安装流程 安装PaddlePaddle。

使用概述

文本分类问题：对于给定的一条文本，我们从提前给定的类别集合中选择其所属类别。

比如, 在购物网站上，通过查看买家对某个产品的评价反馈, 评估该产品的质量。

  • 这个显示器很棒！ （好评）
  • 用了两个月之后这个显示器屏幕碎了。（差评）

使用PaddlePaddle, 每一个任务流程都可以被划分为如下五个步骤。

../../_images/Pipeline_cn.jpg
  1. 数据格式准备
    • 本例每行保存一条样本，类别Id和文本信息用 Tab 间隔，文本中的单词用空格分隔（如果不切词，则字与字之间用空格分隔），例如：类别Id '\t' 这 个 显 示 器 很 棒 ！
  2. 向系统传送数据
    • PaddlePaddle可以执行用户的python脚本程序来读取各种格式的数据文件。
    • 本例的所有字符都将转换为连续整数表示的Id传给模型。
  3. 描述网络结构和优化算法
    • 本例由易到难展示4种不同的文本分类网络配置：逻辑回归模型，词向量模型，卷积模型，时序模型。
    • 常用优化算法包括Momentum, RMSProp，AdaDelta，AdaGrad，Adam，Adamax等，本例采用Adam优化方法，加了L2正则和梯度截断。
  4. 训练模型
  5. 应用模型

数据格式准备

接下来我们将展示如何用PaddlePaddle训练一个文本分类模型，将 Amazon电子产品评论数据 分为好评(正样本)和差评(负样本)两种类别。 源代码 的 demo/quick_start 目录里提供了该数据的下载脚本和预处理脚本，你只需要在命令行输入以下命令，就能够很方便的完成数据下载和相应的预处理工作。

cd demo/quick_start
./data/get_data.sh
./preprocess.sh

数据预处理完成之后，通过配置类似于 dataprovider_*.py 的数据读取脚本和类似于 trainer_config.*.py 的训练模型脚本，PaddlePaddle将以设置参数的方式来设置 相应的数据读取脚本和训练模型脚本。接下来，我们将对这两个步骤给出了详细的解释，你也可以先跳过本文的解释环节，直接进入训练模型章节, 使用 sh train.sh 开始训练模型， 查看`train.sh`内容，通过 自底向上法 (bottom-up approach)来帮助你理解PaddlePaddle的内部运行机制。

向系统传送数据

Python脚本读取数据

DataProvider 是PaddlePaddle负责提供数据的模块，主要职责在于将训练数据传入内存或者显存，让模型能够得到训练更新，其包括两个函数：

  • initializer：PaddlePaddle会在调用读取数据的Python脚本之前，先调用initializer函数。在下面例子里，我们在initialzier函数里初始化词表，并且在随后的读取数据过程中填充词表。
  • process：PaddlePaddle调用process函数来读取数据。每次读取一条数据后，process函数会用yield语句输出这条数据，从而能够被PaddlePaddle 捕获 (harvest)。

dataprovider_bow.py 文件给出了完整例子：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
# initializer is called by the framework during initialization.
# It allows the user to describe the data types and setup the
# necessary data structure for later use.
# `settings` is an object. initializer need to properly fill settings.input_types.
# initializer can also store other data structures needed to be used at process().
# In this example, dictionary is stored in settings.
# `dictionay` and `kwargs` are arguments passed from trainer_config.lr.py
def initializer(settings, dictionary, **kwargs):
    # Put the word dictionary into settings
    settings.word_dict = dictionary

    # setting.input_types specifies what the data types the data provider
    # generates.
    settings.input_types = {
        # The first input is a sparse_binary_vector,
        # which means each dimension of the vector is either 0 or 1. It is the
        # bag-of-words (BOW) representation of the texts.
        'word': sparse_binary_vector(len(dictionary)),
        # The second input is an integer. It represents the category id of the
        # sample. 2 means there are two labels in the dataset.
        # (1 for positive and 0 for negative)
        'label': integer_value(2)
    }


# Delaring a data provider. It has an initializer 'data_initialzer'.
# It will cache the generated data of the first pass in memory, so that
# during later pass, no on-the-fly data generation will be needed.
# `setting` is the same object used by initializer()
# `file_name` is the name of a file listed train_list or test_list file given
# to define_py_data_sources2(). See trainer_config.lr.py.
@provider(init_hook=initializer, cache=CacheType.CACHE_PASS_IN_MEM)
def process(settings, file_name):
    # Open the input data file.
    with open(file_name, 'r') as f:
        # Read each line.
        for line in f:
            # Each line contains the label and text of the comment, separated by \t.
            label, comment = line.strip().split('\t')

            # Split the words into a list.
            words = comment.split()

            # convert the words into a list of ids by looking them up in word_dict.
            word_vector = [settings.word_dict.get(w, UNK_IDX) for w in words]

            # Return the features for the current comment. The first is a list
            # of ids representing a 0-1 binary sparse vector of the text,
            # the second is the integer id of the label.
            yield {'word': word_vector, 'label': int(label)}

详细内容请参见 DataProvider的介绍 。

配置中的数据加载定义

在模型配置中通过 define_py_data_sources2 接口来加载数据：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
dict_file = "./data/dict.txt"
word_dict = dict()
with open(dict_file, 'r') as f:
    for i, line in enumerate(f):
        w = line.strip().split()[0]
        word_dict[w] = i

is_predict = get_config_arg('is_predict', bool, False)
trn = 'data/train.list' if not is_predict else None
tst = 'data/test.list' if not is_predict else 'data/pred.list'
process = 'process' if not is_predict else 'process_predict'
define_py_data_sources2(
    train_list=trn,
    test_list=tst,
    module="dataprovider_emb",
    obj=process,
    args={"dictionary": word_dict})

以下是对上述数据加载的解释：

  • data/train.list,data/test.list: 指定训练数据和测试数据
  • module=”dataprovider_bow”: 处理数据的Python脚本文件
  • obj=”process”: 指定生成数据的函数
  • args={“dictionary”: word_dict}: 额外的参数，这里指定词典

更详细数据格式和用例请参考 PyDataProvider2的使用 。

模型网络结构

本小节我们将介绍模型网络结构。

../../_images/PipelineNetwork_cn.jpg

我们将以最基本的逻辑回归网络作为起点，并逐渐展示更加深入的功能。更详细的网络配置连接请参考 Layers 。 所有配置都能在 源代码 的 demo/quick_start 目录下找到。

逻辑回归模型

具体流程如下:

../../_images/NetLR_cn.jpg

  • 获取利用 one-hot vector 表示的每个单词，维度是词典大小

    word = data_layer(name="word",  size=word_dim)

  • 获取该条样本类别Id，维度是类别个数。

    label = data_layer(name="label", size=label_dim)

  • 利用逻辑回归模型对该向量进行分类，同时会计算分类准确率

    # Define a fully connected layer with logistic activation (also called softmax activation).
output = fc_layer(input=word,
                size=label_dim,
                act_type=SoftmaxActivation())
# Define cross-entropy classification loss and error.
classification_cost(input=output, label=label)
  • input: 除去data层，每个层都有一个或多个input,多个input以list方式输入
  • size: 该层神经元个数
  • act_type: 激活函数类型

效果总结：我们将在后面介绍训练和预测流程的脚本。在此为方便对比不同网络结构，我们总结了各个网络的复杂度和效果。

网络名称 参数数量 错误率
逻辑回归 252 KB 8.652 %

词向量模型

embedding模型需要稍微改变提供数据的Python脚本，即 dataprovider_emb.py，词向量模型、 卷积模型、时序模型均使用该脚本。其中文本输入类型定义为整数时序类型integer_value_sequence。

def initializer(settings, dictionary, **kwargs):
    settings.word_dict = dictionary
    settings.input_types = [
        # Define the type of the first input as sequence of integer.
        # The value of the integers range from 0 to len(dictrionary)-1
        integer_value_sequence(len(dictionary)),
        # Define the second input for label id
        integer_value(2)]

@provider(init_hook=initializer)
def process(settings, file_name):
    ...
    # omitted, it is same as the data provider for LR model

该模型依然使用逻辑回归分类网络的框架， 只是将句子用连续向量表示替换为用稀疏向量表示， 即对第三步进行替换。句子表示的计算更新为两步：

../../_images/NetContinuous_cn.jpg

  • 利用单词Id查找该单词对应的连续向量(维度为word_dim)， 输入N个单词，输出为N个word_dim维度向量

    emb = embedding_layer(input=word, size=word_dim)

  • 将该句话包含的所有单词向量求平均, 得到句子的表示

    avg = pooling_layer(input=emb, pooling_type=AvgPooling())

其它部分和逻辑回归网络结构一致。

效果总结：

网络名称 参数数量 错误率
词向量模型 15 MB 8.484 %

卷积模型

卷积网络是一种特殊的从词向量表示到句子表示的方法， 也就是将词向量模型进一步演化为三个新步骤。

../../_images/NetConv_cn.jpg

文本卷积分可为三个步骤:

  1. 首先，从每个单词左右两端分别获取k个相邻的单词, 拼接成一个新的向量；
  2. 其次，对该向量进行非线性变换(例如Sigmoid变换), 使其转变为维度为hidden_dim的新向量；
  3. 最后，对整个新向量集合的每一个维度取最大值来表示最后的句子。

这三个步骤可配置为:

text_conv = sequence_conv_pool(input=emb,
                            context_start=k,
                            context_len=2 * k + 1)

效果总结：

网络名称 参数数量 错误率
卷积模型 16 MB 5.628 %

时序模型

../../_images/NetRNN_cn.jpg

时序模型，也称为RNN模型, 包括简单的 RNN模型, GRU模型 和 LSTM模型 等等。

  • GRU模型配置：

    gru = simple_gru(input=emb, size=gru_size)

  • LSTM模型配置：

    lstm = simple_lstm(input=emb, size=lstm_size)

本次试验，我们采用单层LSTM模型，并使用了Dropout，效果总结：

网络名称 参数数量 错误率
时序模型 16 MB 4.812 %

优化算法

优化算法 包括 Momentum, RMSProp，AdaDelta，AdaGrad，ADAM，Adamax等，这里采用Adam优化方法，同时使用了L2正则(L2 Regularization)和梯度截断(Gradient Clipping)。

settings(batch_size=128,
        learning_rate=2e-3,
        learning_method=AdamOptimizer(),
        regularization=L2Regularization(8e-4),
        gradient_clipping_threshold=25)

训练模型

在数据加载和网络配置完成之后， 我们就可以训练模型了。

../../_images/PipelineTrain_cn.jpg

训练模型，我们只需要运行 train.sh 训练脚本：

./train.sh

train.sh 中包含了训练模型的基本命令。训练时所需设置的主要参数如下：

paddle train \
--config=trainer_config.py \
--log_period=20 \
--save_dir=./output \
--num_passes=15 \
--use_gpu=false

这里只简单介绍了单机训练，如何进行分布式训练，请参考 运行分布式训练 。

预测

当模型训练好了之后，我们就可以进行预测了。

../../_images/PipelineTest_cn.jpg

之前配置文件中 test.list 指定的数据将会被测试，这里直接通过预测脚本 predict.sh 进行预测, 更详细的说明，请参考 基于Python的预测 。

model="output/pass-00003"
paddle train \
    --config=trainer_config.lstm.py \
    --use_gpu=false \
    --job=test \
    --init_model_path=$model \
    --config_args=is_predict=1 \
    --predict_output_dir=. \

mv rank-00000 result.txt

这里以 output/pass-00003 为例进行预测，用户可以根据训练日志，选择测试结果最好的模型来预测。

预测结果以文本的形式保存在 result.txt 中，一行为一个样本，格式如下：

预测ID;ID为0的概率 ID为1的概率
预测ID;ID为0的概率 ID为1的概率

总体效果总结

在 /demo/quick_start 目录下，能够找到这里使用的所有数据, 网络配置, 训练脚本等等。 对于Amazon-Elec测试集(25k), 如下表格，展示了上述网络模型的训练效果:

网络名称 参数数量 错误率 配置文件
逻辑回归模型 252 KB 8.652% trainer_config.lr.py
词向量模型 15 MB 8.484% trainer_config.emb.py
卷积模型 16 MB 5.628% trainer_config.cnn.py
时序模型 16 MB 4.812% trainer_config.lstm.py

附录

命令行参数

  • –config：网络配置
  • –save_dir：模型存储路径
  • –log_period：每隔多少batch打印一次日志
  • –num_passes：训练轮次，一个pass表示过一遍所有训练样本
  • –config_args：命令指定的参数会传入网络配置中。
  • –init_model_path：指定初始化模型路径，可用在测试或训练时指定初始化模型。

默认一个pass保存一次模型，也可以通过saving_period_by_batches设置每隔多少batch保存一次模型。 可以通过show_parameter_stats_period设置打印参数信息等。 其他参数请参考 命令行参数文档（链接待补充）。

输出日志

TrainerInternal.cpp:160]  Batch=20 samples=2560 AvgCost=0.628761 CurrentCost=0.628761 Eval: classification_error_evaluator=0.304297  CurrentEval: classification_error_evaluator=0.304297

模型训练会看到类似上面这样的日志信息，详细的参数解释，请参考如下表格：

名称 解释
Batch=20 表示过了20个batch
samples=2560 表示过了2560个样本
AvgCost 每个pass的第0个batch到当前batch所有样本的平均cost
CurrentCost 当前log_period个batch所有样本的平均cost
Eval: classification_error_evaluator 每个pass的第0个batch到当前batch所有样本的平均分类错误率
CurrentEval: classification_error_evaluator 当前log_period个batch所有样本的平均分类错误率