英特尔创新大师杯深度学习挑战赛赛道3-CCKS2021中文NLP地址相关性任务源码+项目说明.zip

# ccks2021-track3 CCKS2021中文NLP地址相关性任务-赛道三-冠军方案 团队：我的加菲鱼- wodejiafeiyu 初赛第二/复赛第一/决赛第一 ## 前言 19年开始，陆陆续续参加了一些比赛，拿到过一些top，比较懒一直都没分享过，这次比较幸运又拿了top1，打算分享下 分类的任务用这个框架基本都能top10，之前个人参加的《全球人工智能大赛-赛道一》和这个也差不多，只是有些具体任务的trick不同 ## 比赛主页 https://tianchi.aliyun.com/competition/entrance/531901/introduction ## 环境 * torch==1.6.0 * transformers=3.0.2 ## 预训练模型 - nezha-base - nezha-wwm - macbert * 下载预训练模型，放到文件夹user_data/model_param/pretrain_model_param/下，文件夹和模型名字一一对应 ## 全流程脚本 ``` sh run.sh ``` ## 核心思路 * 预训练mlm中的mask策略使用ngram-mask，相比原始的动态mask，提升了预训练难度 * 标签也包含语义信息，预训练部分融入标签信息，提升预训练效果 * 混合精度预训练，损失一部分精度，提升整体的训练速度，实际测试结果精度损失不大，速度提升明显 * 对抗训练，已经是一个比较常用的trick了 * 后12层加上embedding的cls动态加权平均 * multi-sample dropout * 推理的时候，阈值搜索 * 三折交叉验证，每折使用不同的随机数种子使用dynamic pad * 加权平均，模型融合 ## 总结 | 模块 | 提分点分析 | 提升 | |------ |-----------------------------------------| ------- | |ngram-mask |相比于单个字的遮蔽，ngram-mask加大了预训练任务的难度，从而提升效果| 2.6个千分点 | |融入标签信息预训练|标签也含有语义信息，模型学习的更多| 1个千分点 | |后12层加上embedding的cls动态加权平均+multi-sample dropout|加权平均能增强向量的语义表征能力从而提升效果。multi-sample dropout能加速训练，增强泛化能力| 3.3个千分点 | | 对抗训练fgm |生成对抗样本，对抗样本的训练，增加模型泛化能力 | 2.2个千分点 | | 多分类阈值搜索 | 缩放系数使得f1最优 | 0.7个千分点 | | 模型融合 | 提升模型的鲁棒性和泛化能力 | 1.5个千分点 | | 动态pad和预训练混合精度训练和每折使用不同的随机数种子 | 提升模型训练速度，不同的随机数种子加大了模型的差异，提升融合的效果 | |