Merge pull request #2037 from JesseyXujin/elmo_1

Elmo 1

PaddleNLP/ELMO/README.md

 <h1 align="center">ELMO</h1>
 
 ## 介绍
-ELMO(Embeddings from Language Models)是一种新型深度语境化词表征，可对词进行复杂特征(如句法和语义)和词在语言语境中的变化进行建模(即对多义词进行建模)。PaddlePaddle版本该模型支持多卡训练，训练速度比主流实现快约1倍,  验证在中文词法分析任务上f1值提升0.68%。
+
+ELMO(Embeddings from Language Models)是一种新型深度语境化词表征，可对词进行复杂特征(如句法和语义)和词在语言语境中的变化进行建模(即对多义词进行建模)。ELMO作为词向量，解决了两个重要问题：（1）词使用的复杂特性，如句法和语法。（2）如何在具体的语境下使用词，比如多义词的问题。
 
 ELMO在大语料上以language model为训练目标，训练出bidirectional LSTM模型，利用LSTM产生词语的表征, 对下游NLP任务(如问答、分类、命名实体识别等）进行微调。
 
+此版本发布要点：
+1. 发布预训练模型完整代码。
+2. 支持多卡训练，训练速度比主流实现快约1倍。
+3. 发布[ELMO中文预训练模型](https://dureader.gz.bcebos.com/elmo/elmo_chinese_checkpoint.tar.gz),
+训练约3.8G中文百科数据。
+4. 发布基于ELMO微调步骤和示例代码，验证在中文词法分析任务LAC上f1值提升了0.68%。
+
+
 ## 基本配置及第三方安装包
 
 Python==2.7
@@ -20,7 +29,8 @@ glob
 
 ## 预训练模型
 
-1. 把文档文件切分成句子，并基于词表（参考vocabulary_min5k.txt）对句子进行切词。把文件切分成训练集trainset和测试集testset。
+1. 把文档文件切分成句子，并基于词表（参考[`data/vocabulary_min5k.txt`](data/vocabulary_min5k.txt)）对句子进行切词。把文件切分成训练集trainset和测试集testset。训练数据参考[`data/train`](data/train)，测试数据参考[`data/dev`](data/dev)，
+训练集和测试集比例推荐为5：1。
 
 ```
 本 书 介绍 了 中国 经济 发展 的 内外 平衡 问题 、 亚洲 金融 危机 十 周年 回顾 与 反思 、 实践 中 的 城乡 统筹 发展 、 未来 十 年 中国 需要 研究 的 重大 课题 、 科学 发展 与 新型 工业 化 等 方面 。
@@ -40,18 +50,46 @@ sh run.sh
 
 ## 单机多卡训练
 
-模型支持单机多卡训练，需要在run.sh里export CUDA_VISIBLE_DEVICES设置指定卡,如下所示：
+模型支持单机多卡训练，需要在[`run.sh`](run.sh)里export CUDA_VISIBLE_DEVICES设置指定卡,如下所示：
 ```shell
 export CUDA_VISIBLE_DEVICES=0,1,2,3,4,5,6,7
 ```
 
 ## 如何利用ELMO做微调
 
-1. 下载ELMO Paddle官方发布Checkout文件
+   在深度学习训练中，例如图像识别训练，每次从零开始训练都要消耗大量的时间和资源。而且当数据集比较少时，模型也难以拟合的情况。基于这种情况下，就出现了迁移学习，通过使用已经训练好的模型来初始化即将训练的网络，可以加快模型的收敛速度，而且还能提高模型的准确率。这个用于初始化训练网络的模型是使用大型数据集训练得到的一个模型，而且模型已经完全收敛。最好训练的模型和预训练的模型是同一个网络，这样可以最大限度地初始化全部层。
+   
+   利用ELMO做微调，与Bert方式不同，ELMO微调是把ELMO部分作为已预训练好的词向量，接入到NLP下游任务中。
+   
+   在原论文中推荐的使用方式是，NLP下游任务输入的embedding层与ELMO的输出向量直接做concat。其中，ELMO部分是直接加载预训练出来的模型参数（PaddlePaddle中通过fluid.io.load_vars接口来加载参数），模型参数输入到NLP下游任务是fix的（在PaddlePaddle中通过stop_gradient = True来实现）。
+
+ELMO微调任务的要点如下：
+
+1)下载预训练模型的参数文件。
+
+2)加载elmo网络定义部分bilm.py。
+
+3)在网络启动时加载预训练模型。
+
+4)基于elmo字典对输入做切词并转化为id。
 
-[PaddlePaddle官方发布Checkout文件下载地址](https://dureader.gz.bcebos.com/elmo/elmo_chinese_checkpoint.tar.gz)
+5)elmo词向量与网络embedding层做concat。
 
-2. 在train部分中加载ELMO checkpoint文件
+具体步骤如下：
+1. 下载ELMO Paddle官方发布Checkpoint文件，Checkpoint文件为预训练好的约3.8G中文百科数据。
+[PaddlePaddle官方发布Checkpoint文件下载地址](https://dureader.gz.bcebos.com/elmo/elmo_chinese_checkpoint.tar.gz)
+
+2. 在网络初始化启动中加载ELMO Checkpoint文件。加载参数接口（fluid.io.load_vars）,可加在网络参数（exe.run(fluid.default_startup_program())）初始化之后。
+
+```shell
+# 定义一个使用CPU的执行器
+place = fluid.CUDAPlace(0)
+# place = fluid.CPUPlace()
+exe = fluid.Executor(place)
+# 进行参数初始化
+exe.run(fluid.default_startup_program())
+
+```
 
 ```shell
 src_pretrain_model_path = '490001' #490001为ELMO checkpoint文件
@@ -65,11 +103,11 @@ def if_exist(var):
 fluid.io.load_vars(executor=exe, dirname=src_pretrain_model_path, predicate=if_exist, main_program=main_program) 
 ```
 
-3. 在下游NLP任务文件夹中加入bilm.py文件
+3. 在下游NLP任务代码中加入[`bilm.py`](bilm.py) 文件，[`bilm.py`](bilm.py) 是ELMO网络定义部分。
 
-4. 基于elmo词表（参考vocabulary_min5k.txt）对输入的句子或段落进行切词，并把切词的词转化为id,放入feed_dict中。
+4. 基于elmo词表（参考[`data/vocabulary_min5k.txt`](data/vocabulary_min5k.txt) ）对输入的句子或段落进行切词，并把切词的词转化为id,放入feed_dict中。
 
-5. 在下游任务网络定义中embedding部分加入ELMO网络的定义
+5. 在NLP下游任务代码，网络定义中embedding部分加入ELMO网络的定义
 
 ```shell
 #引入 bilm.py embedding部分和encoder部分
@@ -88,3 +126,7 @@ word_embedding=layers.concat(input=[elmo_enc, word_embedding], axis=1)
 
 ## 参考论文
 [Deep contextualized word representations](https://arxiv.org/abs/1802.05365)
+
+
+## Contributors
+本项目由百度深度学习技术平台部PaddlePaddle团队和百度自然语言处理部合作完成。欢迎贡献代码和反馈问题。

PaddleNLP/ELMO/bilm.py

@@ -12,7 +12,7 @@
 # See the License for the specific language governing permissions and
 # limitations under the License.
 
-# This file is used to finetone
+# This file is used to finetune.
 
 from __future__ import absolute_import
 from __future__ import division
@@ -28,7 +28,7 @@ proj_clip = 3.0
 hidden_size = 4096
 vocab_size = 52445
 embed_size = 512
-# according to orginal paper, dropout need to be modifyed on finetone
+# according to orginal paper, dropout need to be modifyed on finetune
 modify_dropout = 1
 proj_size = 512
 num_layers = 2
@@ -133,7 +133,7 @@ def elmo_encoder(x_emb):
         x_emb_r,
         para_name='bw_')
     embedding = layers.concat(input=[fw_hiddens, bw_hiddens], axis=1)
-    # add dropout on finetone
+    # add dropout on finetune
     embedding = dropout(embedding)
     a = layers.create_parameter(
         [1], dtype="float32", name="gamma")

PaddleNLP/ELMO/run.sh

 export CUDA_VISIBLE_DEVICES=0 
 python  train.py \
---train_path='baike/train/sentence_file_*'  \
---test_path='baike/dev/sentence_file_*'  \
---vocab_path baike/vocabulary_min5k.txt \
+--train_path='data/train/sentence_file_*'  \
+--test_path='data/dev/sentence_file_*'  \
+--vocab_path data/vocabulary_min5k.txt \
 --learning_rate 0.2 \
 --use_gpu True \
 --local True $@

PaddleNLP/ELMO/train.py

@@ -578,8 +578,6 @@ def train_loop(args,
 
         end_time = time.time()
         total_time += end_time - start_time
-        logger.info("train ppl {}".format(ppl))
-
         if epoch_id == args.max_epoch - 1 and args.enable_ce:
             logger.info("lstm_language_model_duration\t%s" %
                         (total_time / args.max_epoch))