# PaddleHub 文本分类 本示例将展示如何使用PaddleHub Fine-tune API以及Transformer类预训练模型(ERNIE/BERT/RoBERTa)完成分类任务。 **PaddleHub 1.7.0以上版本支持在Transformer类预训练模型之后拼接预置网络(bow, bilstm, cnn, dpcnn, gru, lstm)完成文本分类任务** ## 目录结构 ``` text_classification ├── finetuned_model_to_module # PaddleHub Fine-tune得到模型如何转化为module，从而利用PaddleHub Serving部署 │   ├── __init__.py │   └── module.py ├── predict_predefine_net.py # 加入预置网络预测脚本 ├── predict.py # 不使用预置网络（使用fc网络）的预测脚本 ├── README.md # 文本分类迁移学习文档说明 ├── run_cls_predefine_net.sh # 加入预置网络的文本分类任务训练启动脚本 ├── run_cls.sh # 不使用预置网络（使用fc网络）的训练启动脚本 ├── run_predict_predefine_net.sh # 使用预置网络（使用fc网络）的预测启动脚本 ├── run_predict.sh # # 不使用预置网络（使用fc网络）的预测启动脚本 ├── text_classifier_dygraph.py # 动态图训练脚本 ├── text_cls_predefine_net.py # 加入预置网络训练脚本 └── text_cls.py # 不使用预置网络（使用fc网络）的训练脚本 ``` ## 如何开始Fine-tune 以下例子已不使用预置网络完成文本分类任务，说明PaddleHub如何完成迁移学习。使用预置网络完成文本分类任务，步骤类似。 在完成安装PaddlePaddle与PaddleHub后，通过执行脚本`sh run_cls.sh`即可开始使用ERNIE对ChnSentiCorp数据集进行Fine-tune。 其中脚本参数说明如下： ```bash --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； --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 ```python 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](https://www.paddlepaddle.org.cn/hub?filter=hot&value=1)。 如果想尝试BERT模型，只需要更换Module中的`name`参数即可. ```python # 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 ```python dataset = hub.dataset.ChnSentiCorp() reader = hub.reader.ClassifyReader( 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()) metrics_choices = ["acc"] ``` `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； `module.sp_model_path` 若module为ernie_tiny则返回对应的子词切分模型，否则返回None； `module.word_dict_path` 若module为ernie_tiny则返回对应的词语切分模型，否则返回None； 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。 PaddleHub还提供了其他的文本分类数据集，分两类（单句分类和句对分类），具体信息如下表 数据集 | API | 单句/句对 | 推荐预训练模型 | 推荐评价指标 | ---------------- | -----------------------------| ---------| ------------------------------ | -----------| ChnSentiCorp | hub.dataset.ChnSentiCorp() | 单句 | ernie_tiny | accuracy | LCQMC | hub.dataset.LCQMC() | 句对 | ernie_tiny | accuracy | NLPCC-QBDA | hub.dataset.NLPCC_DBQA() | 句对 | ernie_tiny | accuracy | GLUE-CoLA | hub.dataset.GLUE("CoLA") | 单句 | ernie_v2_eng_base | matthews | GLUE-SST2 | hub.dataset.GLUE("SST-2") | 单句 | ernie_v2_eng_base | accuracy | GLUE-MNLI | hub.dataset.GLUE("MNLI_m") | 句对 | ernie_v2_eng_base | accuracy | GLUE-QQP | hub.dataset.GLUE("QQP") | 句对 | ernie_v2_eng_base | accuracy | GLUE-QNLI | hub.dataset.GLUE("QNLI") | 句对 | ernie_v2_eng_base | accuracy | GLUE-STS-B | hub.dataset.GLUE("STS-B") | 句对 | ernie_v2_eng_base | accuracy | GLUE-MRPC | hub.dataset.GLUE("MRPC") | 句对 | ernie_v2_eng_base | f1 | GLUE-RTE | hub.dataset.GLUE("RTE") | 单句 | ernie_v2_eng_base | accuracy | XNLI | hub.dataset.XNLI(language=zh)| 句对 | roberta_wwm_ext_chinese_L-24_H-1024_A-16 | accuracy | ChineseGLUE-THUCNEWS | hub.dataset.THUCNEWS() | 单句 | roberta_wwm_ext_chinese_L-24_H-1024_A-16 | accuracy | ChineseGLUE-IFLYTEK | hub.dataset.IFLYTEK() | 单句 | roberta_wwm_ext_chinese_L-24_H-1024_A-16 | accuracy | ChineseGLUE-INEWS | hub.dataset.INews() | 句对 | roberta_wwm_ext_chinese_L-24_H-1024_A-16 | accuracy | ChineseGLUE-TNEWS | hub.dataset.TNews() | 句对 | roberta_wwm_ext_chinese_L-24_H-1024_A-16 | accuracy | ChinesGLUE-BQ | hub.dataset.BQ() | 句对 | roberta_wwm_ext_chinese_L-24_H-1024_A-16 | accuracy | 更多数据集信息参考[Dataset](https://github.com/PaddlePaddle/PaddleHub/wiki/PaddleHub-API:-Dataset)。 #### 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](https://github.com/PaddlePaddle/PaddleHub/wiki/PaddleHub%E9%80%82%E9%85%8D%E8%87%AA%E5%AE%9A%E4%B9%89%E6%95%B0%E6%8D%AE%E5%AE%8C%E6%88%90FineTune)。 ### Step3：选择优化策略和运行配置 ```python 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) ``` #### 优化策略 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: * `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； * `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 ```python 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Transformer类预训练模型对应的[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Transformer类预训练模型中的输入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`。 4. 使用预置网络与否，传入`hub.TextClassifierTask`的特征不相同。`hub.TextClassifierTask`通过参数`feature`和`token_feature`区分。 `feature`应是sentence-level特征，shape应为[-1, emb_size]；`token_feature`是token-levle特征，shape应为[-1, max_seq_len, emb_size]。 如果使用预置网络，则应取Transformer类预训练模型的sequence_output特征(`outputs["sequence_output"]`)。并且`hub.TextClassifierTask(token_feature=outputs["sequence_output"])`。 如果不使用预置网络，直接通过fc网络进行分类，则应取Transformer类预训练模型的pooled_output特征(`outputs["pooled_output"]`)。并且`hub.TextClassifierTask(feature=outputs["pooled_output"])`。 5. 使用预置网络，可以通过`hub.TextClassifierTask`参数network进行指定不同的网络结构。如下代码表示选择bilstm网络拼接在Transformer类预训练模型之后。 PaddleHub文本分类任务预置网络支持BOW，Bi-LSTM，CNN，DPCNN，GRU，LSTM。指定network应是其中之一。 其中DPCNN网络实现为[ACL2017-Deep Pyramid Convolutional Neural Networks for Text Categorization](https://www.aclweb.org/anthology/P17-1052.pdf)。 ```python cls_task = hub.TextClassifierTask( data_reader=reader, token_feature=outputs["sequence_output"], feed_list=feed_list, network='bilstm', num_classes=dataset.num_labels, config=config, metrics_choices=metrics_choices) ``` #### 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](https://github.com/PaddlePaddle/PaddleHub/wiki/PaddleHub:-%E8%87%AA%E5%AE%9A%E4%B9%89Task)。 ## 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： ```bash $ visualdl --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_chnsentiment/" 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`，即可看到文本分类预测结果。 我们在AI Studio上提供了IPython NoteBook形式的demo，点击[PaddleHub教程合集](https://aistudio.baidu.com/aistudio/projectdetail/231146)，可使用AI Studio平台提供的GPU算力进行快速尝试。 ## 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](../../docs/tutorial/autofinetune.md)。 ## Fine-tune之后保存的模型转化为PaddleHub Module 代码详见[finetuned_model_to_module](./finetuned_model_to_module)文件夹下 Fine-tune之后保存的模型转化为PaddleHub Module[教程](../../docs/tutorial/finetuned_model_to_module.md)