百度NLP預訓練模型ERNIE2.0最強實操課程來襲！【附教程】
- 2019 年 11 月 8 日
- 筆記
2019年3月，百度正式發佈NLP模型ERNIE，其在中文任務中全面超越BERT一度引發業界廣泛關注和探討。經過短短几個月時間，百度ERNIE再升級，發佈持續學習的語義理解框架ERNIE 2.0，及基於此框架的ERNIE 2.0預訓練模型。繼1.0後，ERNIE英文任務方面取得全新突破，在共計16個中英文任務上超越了BERT和XLNet, 取得了SOTA效果。
本篇內容可以說是史上最強實操課程，由淺入深完整帶大家試跑ERNIE，大家可前往AI Studio fork代碼 (https://aistudio.baidu.com/aistudio/projectdetail/117030)，運行即可獲贈12小時GPU算力，每天都有哦~
一、基礎部分
1.1 準備代碼、數據、模型
step1：下載ERNIE代碼。溫馨提示：如果下載慢，暫停重試
!git clone --depth 1 https://github.com/PaddlePaddle/ERNIE.git
step2：下載並解壓finetune數據
!wget --no-check-certificate https://ernie.bj.bcebos.com/task_data_zh.tgz !tar xf task_data_zh.tgz
step3：下載預訓模型
!wget --no-check-certificate https://ernie.bj.bcebos.com/ERNIE_1.0_max-len-512.tar.gz !mkdir -p ERNIE1.0 !tar zxf ERNIE_1.0_max-len-512.tar.gz -C ERNIE1.0
備用方案，如果下載慢的話，可以用我們預先下載好的代碼和數據
%cd ~ !cp -r work/ERNIE1.0 ERNIE1.0 !cp -r work/task_data task_data !cp -r work/lesson/ERNIE ERNIE
完成ERNIE代碼部分的準備之後，讓我們一起以一個序列標註任務來舉例。
什麼是序列標註任務？
下面這張圖可以概括性的讓大家理解序列標註任務：
序列標註的任務可以用來做什麼？
可以：信息抽取、數據結構化，幫助搜索引擎搜索的更精準
可以：…
序列標註任務: 一起來看看這個任務的數據長什麼樣子吧？
序列標註任務輸入數據包含2部分：
1）標籤映射文件：存儲標籤到ID的映射。
2）訓練測試數據：2列，文本、標籤（文本中每個字之間使用隱藏字符2分割，標籤同理。）
# 標籤映射文件 !cat task_data/msra_ner/label_map.json
{ "B-PER": 0, "I-PER": 1, "B-ORG": 2, "I-ORG": 3, "B-LOC": 4, "I-LOC": 5, "O": 6 }
# 測試數據 !head task_data/msra_ner/dev.tsv
B: Begin
I: Inside
O: Outside
ERNIE應用於序列化標註
1.2 利用ERNIE做Finetune
step1：設置環境變量
%cd ERNIE !ln -s ../task_data !ln -s ../ERNIE1.0 %env TASK_DATA_PATH=task_data %env MODEL_PATH=ERNIE1.0 !echo "task_data_path: ${TASK_DATA_PATH}" !echo "model_path: ${MODEL_PATH}"
step2：運行finetune腳本
!sh script/zh_task/ernie_base/run_msra_ner.sh
1.3將Finetune結果打印
在finetune過程中，會自動保存對test集的預測結果，我們可以查看預測結果是否符合預期。
由於Finetune需要一些時間，所以不等Finetune完了，直接查看我們之前已經Finetune收斂後的模型與test集的預測結果
%cd ~ show_ner_prediction('work/lesson/test_result.5.final')
二、進階部分
2.1 GPU顯存過小，如何使用ERNIE？
腳本進階：模型太大，無法完全放進顯存的情況下，如何只使用前3層參數熱啟Finetune？
如果能只加載幾層模型就好了！
方法：只需要修改一行配置文件ernie_config.json，就能自動的使用前3層參數熱啟Finetune。
提示：ernie_config.json在ERNIE1.0發佈的預訓練模型中
TODO 結合“終端”標籤，運行一下吧
提示：您可以需要用到sed與pwd命令
step1：設置環境變量
%cd ~%cd ERNIE !ln -s ../task_data !ln -s ../ERNIE1.0 %env TASK_DATA_PATH=task_data %env MODEL_PATH=ERNIE1.0 !echo "task_data_path: ${TASK_DATA_PATH}" !echo "model_path: ${MODEL_PATH}" !pwd
!sh script/zh_task/ernie_base/run_msra_ner.sh
2.2如何將ERNIE適配我的業務數據？
數據進階：如何修改輸入格式？
假設msra ner任務的輸入數據格式變了，每條樣本不是以行式保存，而是以列式保存。列式保存是指，每條樣本由多行組成，每行包含一個字符和對應的label，不同樣本間以空行分割，具體樣例如下：
text_a label 海 O 釣 O 比 O 賽 O 地 O 點 O 在 O 廈 B-LOC 門 I-LOC 與 O 金 B-LOC 門 I-LOC 之 O 間 O 的 O 海 O 域 O 。 O
當輸入數據為列式時，我們如何修改ERNIE的數據處理代碼，以適應新的數據格式。
首先，我們先大致了解一下ERNIE的數據處理流程：
- ERNIE對於finetune任務的所有數據處理代碼都在reader/task_reader.py中，裏面已經預先寫好了適合多種不同類型任務的Reader類，ERNIE通過Reader讀取並處理數據給後續模型使用。
- Reader類對數據處理流程做了以下幾步抽象：
step 1. 從文件中逐條讀取樣本，通過_read_tsv等方法，讀取不同格式的文件，並將讀取的每條樣本存入一個list
step 2. 逐一將讀取的樣本轉化為Record。Record中包含了一條樣本經過數據處理後，模型所需要的所有features。處理成Record的流程一般又分以下幾步：
1. 將文本tokenize，超過最大長度時截斷；
2. 加入'[CLS]’、'[SEP]’等標記符後，將文本ID化；
3. 生成每個token對應的position和token_type信息。
step 3. 將多個Record組成batch，同一個batch內feature長度不一致時，padding至batch內最大的feature長度。
了解了ERNIE的數據處理流程以後，我們發現當輸入數據格式變了，我們只需要修改第1步的代碼，保持其他代碼不變，就能適應新的數據格式。具體來說，只需要在reader/task_reader.py的 SequenceLabelReader 類中，加入下面的 _read_tsv 函數（重寫基類 BaseReader 的 _read_tsv）。
def _read_tsv(self, input_file, quotechar=None): with open(input_file, 'r', encoding='utf8') as f: reader = csv_reader(f) headers = next(reader) text_indices = [ index for index, h in enumerate(headers) if h != 'label' ] Example = namedtuple('Example', headers) examples = [] buf_t, buf_l = [], [] for line in reader: if len(line) != 2: assert len(buf_t) == len(buf_l) example = Example(u'^B'.join(buf_t), u'^B'.join(buf_l)) examples.append(example) buf_t, buf_l = [], [] continue if line[0].strip() == '': continue buf_t.append(line[0]) buf_l.append(line[1]) if len(buf_t) > 0: assert len(buf_t) == len(buf_l) example = Example(u'^B'.join(buf_t), u'^B'.join(buf_l)) examples.append(example) buf_t, buf_l = [], [] return examples
我們將已經修改好的數據和代碼，預先放在work/lesson/2目錄中，可以替換掉ERNIE項目中對應的文件，然後嘗試運行
%cd ~ !cp -r work/lesson/2/msra_ner_columnwise task_data/msra_ner_columnwise !cp -r work/lesson/2/task_reader.py ERNIE/reader/task_reader.py !cp -r work/lesson/2/run_msra_ner.sh ERNIE/script/zh_task/ernie_base/run_msra_ner_columnwise.sh %cd ERNIE !ln -s ../task_data !ln -s ../ERNIE1.0 %env TASK_DATA_PATH=task_data %env MODEL_PATH=ERNIE1.0 !sh script/zh_task/ernie_base/run_msra_ner_columnwise.sh
2.3在哪裡改模型結構？
模型進階：如何將序列標註任務的損失函數替換為CRF？
目前序列標註任務的finetune代碼中，以 softmax ce 作為損失函數，該損失函數較為簡單，沒有考慮到序列中詞與詞之間的聯繫，如何替換一個更優秀的損失函數呢？
我們只需要修改其中的create_model函數，將 softmax ce 損失函數部分，替換為 linear_chain_crf 即可，具體代碼如下：
def create_model(args, pyreader_name, ernie_config, is_prediction=False): pyreader = fluid.layers.py_reader( capacity=50, shapes=[[-1, args.max_seq_len, 1], [-1, args.max_seq_len, 1], [-1, args.max_seq_len, 1], [-1, args.max_seq_len, 1], [-1, args.max_seq_len, 1], [-1, args.max_seq_len, 1], [-1, 1]], dtypes=[ 'int64', 'int64', 'int64', 'int64', 'float32', 'int64', 'int64' ], lod_levels=[0, 0, 0, 0, 0, 0, 0], name=pyreader_name, use_double_buffer=True) (src_ids, sent_ids, pos_ids, task_ids, input_mask, labels, seq_lens) = fluid.layers.read_file(pyreader) ernie = ErnieModel( src_ids=src_ids, position_ids=pos_ids, sentence_ids=sent_ids, task_ids=task_ids, input_mask=input_mask, config=ernie_config, use_fp16=args.use_fp16) enc_out = ernie.get_sequence_output() enc_out = fluid.layers.dropout( x=enc_out, dropout_prob=0.1, dropout_implementation="upscale_in_train") logits = fluid.layers.fc( input=enc_out, size=args.num_labels, num_flatten_dims=2, param_attr=fluid.ParamAttr( name="cls_seq_label_out_w", initializer=fluid.initializer.TruncatedNormal(scale=0.02)), bias_attr=fluid.ParamAttr( name="cls_seq_label_out_b", initializer=fluid.initializer.Constant(0.))) infers = fluid.layers.argmax(logits, axis=2) ret_infers = fluid.layers.reshape(x=infers, shape=[-1, 1]) lod_labels = fluid.layers.sequence_unpad(labels, seq_lens) lod_infers = fluid.layers.sequence_unpad(infers, seq_lens) lod_logits = fluid.layers.sequence_unpad(logits, seq_lens) (_, _, _, num_infer, num_label, num_correct) = fluid.layers.chunk_eval( input=lod_infers, label=lod_labels, chunk_scheme=args.chunk_scheme, num_chunk_types=((args.num_labels-1)//(len(args.chunk_scheme)-1))) probs = fluid.layers.softmax(logits) crf_loss = fluid.layers.linear_chain_crf( input=lod_logits, label=lod_labels, param_attr=fluid.ParamAttr( name='crf_w', initializer=fluid.initializer.TruncatedNormal(scale=0.02))) loss = fluid.layers.mean(x=crf_loss) graph_vars = { "inputs": src_ids, "loss": loss, "probs": probs, "seqlen": seq_lens, "num_infer": num_infer, "num_label": num_label, "num_correct": num_correct, } for k, v in graph_vars.items(): v.persistable = True return pyreader, graph_vars
我們將已經修改好的數據和代碼，預先放在work/lesson/3 目錄中，可以替換掉ERNIE項目中對應的文件，然後嘗試運行
%cd ~ !cp -r work/lesson/3/sequence_label.py ERNIE/finetune/sequence_label.py %cd ERNIE !ln -s ../task_data !ln -s ../ERNIE1.0 %env TASK_DATA_PATH=task_data %env MODEL_PATH=ERNIE1.0 !sh script/zh_task/ernie_base/run_msra_ner_columnwise.sh
修改後重新運行finetune腳本：
sh script/zh_task/ernie_base/run_msra_ner.sh等待運行完後，取最後一次評估結果，對比如下:
以上便是實戰課程的全部操作，直接fork可點擊下方鏈接：
https://aistudio.baidu.com/aistudio/projectdetail/117030
劃重點！
查看ERNIE模型使用的完整內容和教程，請點擊下方鏈接，建議Star收藏到個人主頁，方便後續查看。
GitHub：https://github.com/PaddlePaddle/ERNIE
版本迭代、最新進展都會在GitHub第一時間發佈，歡迎持續關注！
也邀請大家加入ERNIE官方技術交流**QQ群：760439550**，可在群內交流技術問題，會有ERNIE的研發同學為大家及時答疑解惑。
