Skip to content

Latest commit

 

History

History
 
 

word_embedding

Folders and files

NameName
Last commit message
Last commit date

parent directory

..
README.md
README.md
 
 
data.py
data.py
 
 
train.py
train.py
 
 

README.md

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。以下通过基于开源情感倾向分类数据集ChnSentiCorp的文本分类训练例子展示paddlenlp.embeddings.TokenEmbedding对训练提升的效果。更多的paddlenlp.embeddings.TokenEmbedding用法，请参考TokenEmbedding 接口使用指南 。

快速开始

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。训练时会自动下载词表dict.txt，用于对数据集进行切分，构造数据样本。

启动训练：

# 使用paddlenlp.embeddings.TokenEmbedding
python train.py --device='gpu' \
                --lr=5e-4 \
                --batch_size=64 \
                --epochs=20 \
                --use_token_embedding=True \
                --vdl_dir='./vdl_dir'

# 使用paddle.nn.Embedding
python train.py --device='gpu' \
                --lr=1e-4 \
                --batch_size=64 \
                --epochs=20 \
                --use_token_embedding=False \
                --vdl_dir='./vdl_dir'

以上参数表示：

  • device: 选择训练设备，目前可选'gpu', 'cpu', 'xpu'。 默认为gpu。
  • 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。默认值为"./checkpoints/"。
  • init_from_ckpt: 恢复模型训练的断点路径。默认值为None，表示不恢复训练。
  • 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。

注意：

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。训练过程中会实时保存每个epoch的模型参数，并以当前epoch值命名。如第2个Epochs，模型参数会被保存为./checkpoints/2.pdparams，优化器状态保存为./checkpoints/2.pdopt。

如：

checkpoints/
├── 0.pdopt
├── 0.pdparams
├── 1.pdopt
├── 1.pdparams
├── ...
└── final.pdparams

如需恢复模型训练，则init_from_ckpt只需指定到文件名即可，不需要添加文件尾缀。如果用户想热启第10个Epoch保存的模型，则设置 --init_from_ckpt=./checkpoints/10即可，程序会自动加载模型参数./checkpoints/10.pdparams，也会自动加载优化器状态./checkpoints/10.pdopt。

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