Skip to content

Latest commit

 

History

History
104 lines (68 loc) · 4.88 KB

README.md

File metadata and controls

104 lines (68 loc) · 4.88 KB

Word Embedding with PaddleNLP

简介

PaddleNLP已预置多个公开的预训练Embedding，用户可以通过使用paddlenlp.embeddings.TokenEmbedding接口加载预训练Embedding，从而提升训练效果。以下通过文本分类训练的例子展示paddlenlp.embeddings.TokenEmbedding对训练提升的效果。

快速开始

安装说明

  • PaddlePaddle 安装

    本项目依赖于 PaddlePaddle 2.0 及以上版本，请参考 安装指南 进行安装

  • 环境依赖

    • python >= 3.6
    • paddlepaddle-gpu >= 2.0.0-rc1
    pip install paddlenlp==2.0.0b

下载词表

下载词汇表文件dict.txt，用于构造词-id映射关系。

wget https://paddlenlp.bj.bcebos.com/data/dict.txt

启动训练

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，并在验证集（dev.tsv）验证。

CPU 启动：

# 使用paddlenlp.embeddings.TokenEmbedding
python train.py --vocab_path='./dict.txt' --use_gpu=False --lr=5e-4 --batch_size=64 --epochs=20 --use_token_embedding=True --vdl_dir='./vdl_dir'

# 使用paddle.nn.Embedding
python train.py --vocab_path='./dict.txt' --use_gpu=False --lr=1e-4 --batch_size=64 --epochs=20 --use_token_embedding=False --vdl_dir='./vdl_dir'

GPU 启动：

export CUDA_VISIBLE_DEVICES=0

# 使用paddlenlp.embeddings.TokenEmbedding
python train.py --vocab_path='./dict.txt' --use_gpu=True --lr=5e-4 --batch_size=64 --epochs=20 --use_token_embedding=True --vdl_dir='./vdl_dir'

# 使用paddle.nn.Embedding
python train.py --vocab_path='./dict.txt' --use_gpu=True --lr=1e-4 --batch_size=64 --epochs=20 --use_token_embedding=False --vdl_dir='./vdl_dir'

以上参数表示：

  • vocab_path: 词汇表文件路径。
  • use_gpu: 是否使用GPU进行训练， 默认为True。
  • lr: 学习率， 默认为5e-4。
  • batch_size: 运行一个batch大小，默认为64。
  • epochs: 训练轮次，默认为5。
  • use_token_embedding: 是否使用paddlenlp.embeddings.TokenEmbedding，默认为True。
  • vdl_dir: VisualDL日志目录。训练过程中的VisualDL信息会在该目录下保存。默认为./vdl_dir

该脚本还提供以下参数：

  • save_dir: 模型保存目录。
  • init_from_ckpt: 恢复模型训练的断点路径。
  • embedding_name: 预训练Embedding名称，默认为w2v.baidu_encyclopedia.target.word-word.dim300. 支持的预训练Embedding可参考Embedding 模型汇总。

启动VisualDL

推荐使用VisualDL查看实验对比。以下为VisualDL的启动命令，其中logdir参数指定的目录需要与启动训练时指定的vdl_dir相同。（更多VisualDL的用法，可参考VisualDL使用指南）

visualdl --logdir ./vdl_dir --port 8888 --host 0.0.0.0

训练效果对比

在Chrome浏览器输入 ip:8888 (ip为启动VisualDL机器的IP)。

以下为示例实验效果对比图，蓝色是使用paddlenlp.embeddings.TokenEmbedding进行的实验，绿色是使用没有加载预训练模型的Embedding进行的实验。可以看到，使用paddlenlp.embeddings.TokenEmbedding的训练，其验证acc变化趋势上升，并收敛于0.90左右，收敛后相对平稳，不容易过拟合。而没有使用paddlenlp.embeddings.TokenEmbedding的训练，其验证acc变化趋势向下，并收敛于0.86左右。从示例实验可以观察到，使用paddlenlp.embedding.TokenEmbedding能提升训练效果。

Eval Acc：

eval acc

Best Acc
paddle.nn.Embedding 0.8965
paddelnlp.embeddings.TokenEmbedding 0.9082

致谢

参考论文

  • Li, Shen, et al. "Analogical reasoning on chinese morphological and semantic relations." arXiv preprint arXiv:1805.06504 (2018).
  • Qiu, Yuanyuan, et al. "Revisiting correlations between intrinsic and extrinsic evaluations of word embeddings." Chinese Computational Linguistics and Natural Language Processing Based on Naturally Annotated Big Data. Springer, Cham, 2018. 209-221.
  • Jeffrey Pennington, Richard Socher, and Christopher D. Manning. 2014. GloVe: Global Vectors for Word Representation.
  • T. Mikolov, E. Grave, P. Bojanowski, C. Puhrsch, A. Joulin. Advances in Pre-Training Distributed Word Representations