Simple Transformer：用BERT、RoBERTa、XLNet、XLM和DistilBERT进行多类文本分类

• 2019 年 10 月 31 日
• 筆記

作者 | Thilina Rajapakse

译者 | Raku

编辑 | 夕颜

【导读】本文将介绍一个简单易操作的Transformers库——Simple Transformers库。它是AI创业公司Hugging Face在Transformers库的基础上构建的。Hugging Face Transformers是供研究与其他需要全面控制操作方式的人员使用的库，简单易操作。

简介

Simple Transformers专为需要简单快速完成某项工作而设计。不必拘泥于源代码，也不用费时费力地去弄清楚各种设置，文本分类应该非常普遍且简单——Simple Transformers就是这么想的，并且专为此实现。

一行代码建立模型，另一行代码训练模型，第三行代码用来预测，老实说，还能比这更简单吗？

所有源代码都可以在Github Repo上找到，如果你有任何问题或疑问，请在这上面自行寻求答案。

GitHub repo:

https://github.com/ThilinaRajapakse/simpletransformers

安装

1、从这里(https://www.anaconda.com/distribution/)安装Anaconda或Miniconda Package Manager。

2、创建一个新的虚拟环境并安装所需的包。

conda create -n transformers python pandas tqdm  conda activate transformers

如果是cuda：

conda install pytorch cudatoolkit=10.0 -c pytorch

其他：

conda install pytorch cpuonly -c pytorch  conda install -c anaconda scipy  conda install -c anaconda scikit-learn  pip install transformers  pip install tensorboardx

3、安装simpletransformers。

pip install simpletransformers

用法

让我们看看如何对AGNews数据集执行多类分类。

对于用Simple Transformers简单二分类，参考这里。

下载并提取数据

1、从Fast.ai(https://s3.amazonaws.com/fast-ai-nlp/ag_news_csv.tgz)下载数据集。

2、提取train.csv和test.csv并将它们放在目录data/ 中。

为训练准备数据

import pandas as pd        train_df = pd.read_csv('data/train.csv', header=None)    train_df['text'] = train_df.iloc[:, 1] + " " + train_df.iloc[:, 2]    train_df = train_df.drop(train_df.columns[[1, 2]], axis=1)    train_df.columns = ['label', 'text']    train_df = train_df[['text', 'label']]    train_df['text'] = train_df['text'].apply(lambda x: x.replace('\', ' '))        eval_df = pd.read_csv('data/test.csv', header=None)    eval_df['text'] = eval_df.iloc[:, 1] + " " + eval_df.iloc[:, 2]    eval_df = eval_df.drop(eval_df.columns[[1, 2]], axis=1)    eval_df.columns = ['label', 'text']    eval_df = eval_df[['text', 'label']]    eval_df['text'] = eval_df['text'].apply(lambda x: x.replace('\', ' '))    eval_df['label'] = eval_df['label'].apply(lambda x:x-1

Simple Transformers要求数据必须包含在至少两列的Pandas DataFrames中。你只需为列的文本和标签命名，SimpleTransformers就会处理数据。或者你也可以遵循以下约定：

• 第一列包含文本，类型为str。

• 第二列包含标签，类型为int。

对于多类分类，标签应该是从0开始的整数。如果数据具有其他标签，则可以使用python dict保留从原始标签到整数标签的映射。

模型

from simpletransformers.model import TransformerModel        # Create a TransformerModel    model = TransformerModel('roberta', 'roberta-base', num_labels=4)

这将创建一个TransformerModel，用于训练，评估和预测。第一个参数是model_type，第二个参数是model_name，第三个参数是数据中的标签数：

• model_type可以是['bert'，'xlnet'，'xlm'，'roberta'，'distilbert']之一。

• 有关可用于model_name的预训练模型的完整列表，请参阅“当前预训练模型”（https://github.com/ThilinaRajapakse/simpletransformers#current-pretrained-models）。

要加载以前保存的模型而不是默认模型的模型，可以将model_name更改为包含已保存模型的目录的路径。

model = TransformerModel('xlnet', 'path_to_model/', num_labels=4)

TransformerModel具有dict参数，其中包含许多属性，这些属性提供对超参数的控制。有关每个属性的详细说明，请参阅repo。默认值如下所示：

self.args = {        'output_dir': 'outputs/',        'cache_dir': 'cache_dir',          'fp16': True,        'fp16_opt_level': 'O1',        'max_seq_length': 128,        'train_batch_size': 8,        'gradient_accumulation_steps': 1,        'eval_batch_size': 8,        'num_train_epochs': 1,        'weight_decay': 0,        'learning_rate': 4e-5,        'adam_epsilon': 1e-8,        'warmup_ratio': 0.06,        'warmup_steps': 0,        'max_grad_norm': 1.0,          'logging_steps': 50,        'save_steps': 2000,          'overwrite_output_dir': False,        'reprocess_input_data': False,        'process_count': cpu_count() - 2 if cpu_count() > 2 else 1,        }

在创建TransformerModel或调用其train_model方法时，只要简单地传递包含要更新的键值对的字典，就可以修改这些属性中的任何一个。下面给出一个例子：

# Create a TransformerModel with modified attributes  model = TransformerModel('roberta', 'roberta-base', num_labels=4,  args={'learning_rate':1e-5, 'num_train_epochs': 2,  'reprocess_input_data': True, 'overwrite_output_dir': True})

训练

# Train the model  model.train_model(train_df)

这就是训练模型所需要做的全部。你还可以通过将包含相关属性的字典传递给train_model方法来更改超参数。请注意，即使完成训练，这些修改也将保留。

train_model方法将在第n个步骤（其中n为self.args ['save_steps']）的第n个步骤创建模型的检查点（保存）。训练完成后，最终模型将保存到self.args ['output_dir']。

评估

result, model_outputs, wrong_predictions = model.eval_model(eval_df)

要评估模型，只需调用eval_model。此方法具有三个返回值：

• result：dict形式的评估结果。默认情况下，仅对多类分类计算马修斯相关系数（MCC）。

• model_outputs：评估数据集中每个项目的模型输出list。用softmax函数来计算预测值，输出 每个类别的概率而不是单个预测。

• wrong_predictions：每个错误预测的InputFeature list。可以从InputFeature.text_a属性获取文本。（可以在存储库 https://github.com/ThilinaRajapakse/simpletransformers 的utils.py文件中找到InputFeature类）

你还可以包括在评估中要使用的其他指标。只需将指标函数作为关键字参数传递给eval_model方法。指标功能应包含两个参数，第一个是真实标签，第二个是预测，这遵循sklearn标准。

对于任何需要附加参数的度量标准函数（在sklearn中为f1_score），你可以在添加了附加参数的情况下将其包装在自己的函数中，然后将函数传递给eval_model。

from sklearn.metrics import f1_score, accuracy_score    def f1_multiclass(labels, preds):        return f1_score(labels, preds, average='micro')    result, model_outputs, wrong_predictions = model.eval_model(eval_df, f1=f1_multiclass, acc=accuracy_score

作为参考，我使用这些超参数获得的结果如下：

{'mcc': 0.937104098029913, 'f1': 0.9527631578947369, 'acc': 0.9527631578947369}

考虑到我实际上并没有进行任何超参数调整，效果还不错。感谢RoBERTa！

预测/测试

在实际应用中，我们常常不知道什么是真正的标签。要对任意示例执行预测，可以使用predict方法。此方法与eval_model方法非常相似，不同之处在于，该方法采用简单的文本列表并返回预测列表和模型输出列表。

predictions, raw_outputs = model.predict(['Some arbitary sentence'])

结论

在许多实际应用中，多分类是常见的NLP任务，Simple Transformers是将Transformers的功能应用于现实世界任务的一种简单方法，你无需获得博士学位才能使用它。

关于项目

我计划在不久的将来将“问答”添加到Simple Transformers 库中。敬请关注！

Simple Transformers 库：https://github.com/ThilinaRajapakse/simpletransformers

原文链接：https://medium.com/swlh/simple-transformers-multi-class-text-classification-with-bert-roberta-xlnet-xlm-and-8b585000ce3a