============= 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 :ref:`install_steps` 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。 .. image:: src/Pipeline_cn.jpg :align: center :scale: 80% 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。 .. code-block:: bash 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： .. literalinclude:: ../../../demo/quick_start/dataprovider_bow.py :language: python :lines: 21-70 :linenos: :emphasize-lines: 8,33 详细内容请参见 :ref:`api_dataprovider` 。 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： .. literalinclude:: ../../../demo/quick_start/trainer_config.emb.py :language: python :lines: 19-35 :linenos: :emphasize-lines: 12 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 :ref:`api_pydataprovider2` 。 模型网络结构 ============ 本小节我们将介绍模型网络结构。 .. image:: src/PipelineNetwork_cn.jpg :align: center :scale: 80% 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 :ref:`api_trainer_config_helpers_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: .. image:: src/NetLR_cn.jpg :align: center :scale: 80% - 获取利用 `one-hot vector `_ 表示的每个单词，维度是词典大小 .. code-block:: python word = data_layer(name="word", size=word_dim) - 获取该条样本类别Id，维度是类别个数。 .. code-block:: python 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 .. code-block:: python # 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。 .. code-block:: python 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： .. image:: src/NetContinuous_cn.jpg :align: center :scale: 80% - 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 .. code-block:: python 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 .. code-block:: python 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。 .. image:: src/NetConv_cn.jpg :align: center :scale: 80% 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: .. code-block:: python 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 ---------- .. image:: src/NetRNN_cn.jpg :align: center :scale: 80% 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： .. code-block:: python gru = simple_gru(input=emb, size=gru_size) - LSTM模型配置： .. code-block:: python 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)。 .. code-block:: python 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。 .. image:: src/PipelineTrain_cn.jpg :align: center :scale: 80% 训练模型，我们只需要运行 ``train.sh`` 训练脚本： .. code-block:: bash ./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： .. code-block:: bash 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 :ref:`cluster_train` 。 预测 ===== 当模型训练好了之后，我们就可以进行预测了。 .. image:: src/PipelineTest_cn.jpg :align: center :scale: 80% 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 :ref:`api_swig_py_paddle` 。 .. code-block:: bash 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： .. code-block:: bash 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 --------- .. code-block:: bash 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 =========================================== ==============================================================