基于传统方法和深度学习方法实现意图识别python源码+数据集+项目说明.zip

# 使用预训练模型Fine-tune完成中文文本分类任务 在2017年之前，工业界和学术界对NLP文本处理依赖于序列模型[Recurrent Neural Network (RNN)](../rnn). <p align="center"> <img src="http://colah.github.io/posts/2015-09-NN-Types-FP/img/RNN-general.png" width="40%" height="30%"> <br /> </p> [paddlenlp.seq2vec是什么? 瞧瞧它怎么完成情感分析](https://aistudio.baidu.com/aistudio/projectdetail/1283423)教程介绍了如何使用`paddlenlp.seq2vec`表征文本语义。 近年来随着深度学习的发展，模型参数的数量飞速增长。为了训练这些参数，需要更大的数据集来避免过拟合。然而，对于大部分NLP任务来说，构建大规模的标注数据集非常困难（成本过高），特别是对于句法和语义相关的任务。相比之下，大规模的未标注语料库的构建则相对容易。为了利用这些数据，我们可以先从其中学习到一个好的表示，再将这些表示应用到其他任务中。最近的研究表明，基于大规模未标注语料库的预训练模型（Pretrained Models, PTM) 在NLP任务上取得了很好的表现。 近年来，大量的研究表明基于大型语料库的预训练模型（Pretrained Models, PTM）可以学习通用的语言表示，有利于下游NLP任务，同时能够避免从零开始训练模型。随着计算能力的发展，深度模型的出现（即 Transformer）和训练技巧的增强使得 PTM 不断发展，由浅变深。 <p align="center"> <img src="https://ai-studio-static-online.cdn.bcebos.com/327f44ff3ed24493adca5ddc4dc24bf61eebe67c84a6492f872406f464fde91e" width="60%" height="50%"> <br /> </p> 本图片来自于：https://github.com/thunlp/PLMpapers 本示例展示了以ERNIE([Enhanced Representation through Knowledge Integration](https://arxiv.org/abs/1904.09223))代表的预训练模型如何Finetune完成中文文本分类任务。 ## 模型简介 本项目针对中文文本分类问题，开源了一系列模型，供用户可配置地使用： + BERT([Bidirectional Encoder Representations from Transformers](https://arxiv.org/abs/1810.04805))中文模型，简写`bert-base-chinese`， 其由12层Transformer网络组成。 + ERNIE([Enhanced Representation through Knowledge Integration](https://arxiv.org/abs/1904.09223))，支持ERNIE 1.0中文模型（简写`ernie-1.0`）和ERNIE Tiny中文模型（简写`ernie-tiny`)。 其中`ernie`由12层Transformer网络组成，`ernie-tiny`由3层Transformer网络组成。 + RoBERTa([A Robustly Optimized BERT Pretraining Approach](https://arxiv.org/abs/1907.11692))，支持24层Transformer网络的`roberta-wwm-ext-large`和12层Transformer网络的`roberta-wwm-ext`。 | 模型 | dev acc | test acc | | ---- | ------- | -------- | | bert-base-chinese | 0.93833 | 0.94750 | | bert-wwm-chinese | 0.94583 | 0.94917 | | bert-wwm-ext-chinese | 0.94667 | 0.95500 | | ernie-1.0 | 0.94667 | 0.95333 | | ernie-tiny | 0.93917 | 0.94833 | | roberta-wwm-ext | 0.94750 | 0.95250 | | roberta-wwm-ext-large | 0.95250 | 0.95333 | | rbt3 | 0.92583 | 0.93250 | | rbtl3 | 0.9341 | 0.93583 | ## 快速开始 ### 代码结构说明 以下是本项目主要代码结构及说明： ```text pretrained_models/ ├── deploy # 部署 │   └── python │   └── predict.py # python预测部署示例 │   └── serving │   ├── client.py # 客户端预测脚本 │   └── export_servable_model.py # 导出Serving模型及其配置 ├── export_model.py # 动态图参数导出静态图参数脚本 ├── predict.py # 预测脚本 ├── README.md # 使用说明 └── train.py # 训练评估脚本 ``` ### 模型训练 我们以中文情感分类公开数据集ChnSentiCorp为示例数据集，可以运行下面的命令，在训练集（train.tsv）上进行模型训练，并在开发集（dev.tsv）验证 ```shell $ unset CUDA_VISIBLE_DEVICES $ python -m paddle.distributed.launch --gpus "0" train.py --device gpu --save_dir ./checkpoints --use_amp False ``` 可支持配置的参数： * `save_dir`：可选，保存训练模型的目录；默认保存在当前目录checkpoints文件夹下。 * `dataset`：可选，xnli_cn，chnsenticorp 可选，默认为chnsenticorp数据集。 * `max_seq_length`：可选，ERNIE/BERT模型使用的最大序列长度，最大不能超过512, 若出现显存不足，请适当调低这一参数；默认为128。 * `batch_size`：可选，批处理大小，请结合显存情况进行调整，若出现显存不足，请适当调低这一参数；默认为32。 * `learning_rate`：可选，Fine-tune的最大学习率；默认为5e-5。 * `weight_decay`：可选，控制正则项力度的参数，用于防止过拟合，默认为0.00。 * `epochs`: 训练轮次，默认为3。 * `valid_steps`: evaluate的间隔steps数，默认100。 * `save_steps`: 保存checkpoints的间隔steps数，默认100。 * `logging_steps`: 日志打印的间隔steps数，默认10。 * `warmup_proption`：可选，学习率warmup策略的比例，如果0.1，则学习率会在前10%训练step的过程中从0慢慢增长到learning_rate, 而后再缓慢衰减，默认为0.1。 * `init_from_ckpt`：可选，模型参数路径，热启动模型训练；默认为None。 * `seed`：可选，随机种子，默认为1000. * `device`: 选用什么设备进行训练，可选cpu或gpu。如使用gpu训练则参数gpus指定GPU卡号。 * `use_amp`: 是否使用混合精度训练，默认为False。 代码示例中使用的预训练模型是ERNIE，如果想要使用其他预训练模型如BERT等，只需更换`model` 和 `tokenizer`即可。 ```python # 使用ernie预训练模型 # ernie-1.0 model = ppnlp.transformers.ErnieForSequenceClassification.from_pretrained('ernie-1.0',num_classes=2)) tokenizer = ppnlp.transformers.ErnieTokenizer.from_pretrained('ernie-1.0') # 使用bert预训练模型 # bert-base-chinese model = ppnlp.transformers.BertForSequenceClassification.from_pretrained('bert-base-chinese', num_class=2) tokenizer = ppnlp.transformers.BertTokenizer.from_pretrained('bert-base-chinese') ``` 更多预训练模型，参考[transformers](../../../docs/model_zoo/transformers.rst) 程序运行时将会自动进行训练，评估，测试。同时训练过程中会自动保存模型在指定的`save_dir`中。 如： ```text checkpoints/ ├── model_100 │   ├── model_config.json │   ├── model_state.pdparams │   ├── tokenizer_config.json │   └── vocab.txt └── ... ``` **NOTE:** * 如需恢复模型训练，则可以设置`init_from_ckpt`， 如`init_from_ckpt=checkpoints/model_100/model_state.pdparams`。 * 如需使用ernie-tiny模型，则需要提前先安装sentencepiece依赖，如`pip install sentencepiece` * 使用动态图训练结束之后，还可以将动态图参数导出成静态图参数，具体代码见export_model.py。静态图参数保存在`output_path`指定路径中。 运行方式： ```shell python export_model.py --params_path=./checkpoint/model_900/model_state.pdparams --output_path=./export ``` 其中`params_path`是指动态图训练保存的参数路径，`output_path`是指静态图参数导出路径。 导出模型之后，可以用于部署，deploy/python/predict.py文件提供了python部署预测示例。运行方式： ```shell python deploy/python/predict.py --model_dir=./export ``` ### 模型预测 启动预测： ```shell export CUDA_VISIBLE_DEVICES=0 python predict.py --device 'gpu' --params_path checkpoints/model_900/model_state.pdparams ``` 将待预测数据如以下示例： ```text 这个宾馆比较陈旧了，特价的房间也很一般。总体来说一般 怀着十分激动的心情放映，可是看着看着发现，在放映完毕后，出现一集米老鼠的动画片 作为老的四星酒店，房间依然很整洁，相当不错。机场接机服务很好，可以在车上