前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >Simple Transformer:用BERT、RoBERTa、XLNet、XLM和DistilBERT进行多类文本分类

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

作者头像
AI科技大本营
发布2019-10-31 17:37:47
5K0
发布2019-10-31 17:37:47
举报
文章被收录于专栏:AI科技大本营的专栏

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。

代码语言:javascript
复制
conda create -n transformers python pandas tqdm
conda activate transformers

如果是cuda:

代码语言:javascript
复制
conda install pytorch cudatoolkit=10.0 -c pytorch

其他:

代码语言:javascript
复制
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。

代码语言:javascript
复制
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

代码语言:javascript
复制
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

代码语言:javascript
复制
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。

代码语言:javascript
复制
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:

代码语言:javascript
复制
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:

代码语言:javascript
复制
# 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

代码语言:javascript
复制
# 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

代码语言:javascript
复制
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。

代码语言:javascript
复制
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:

代码语言:javascript
复制
{'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。

代码语言:javascript
复制
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

本文参与 腾讯云自媒体同步曝光计划,分享自微信公众号。
原始发表:2019-10-28,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 AI科技大本营 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档