NLP（十四）：Transformer—用BERT，RoBERTa，XLNet，XLM和DistilBERT文本分类

https://zhuanlan.zhihu.com/p/87760325

https://zhuanlan.zhihu.com/p/89232880

一、前言

Simple Transformers是Hugging Face在的Transformers库的基础上构建的。 Hugging Face Transformers库是供研究人员和其他需要全面控制操作方式的人员使用的库。 当需要偏离常规，做不同的事情或完全做新的事情时，它也是最佳选择。 比如NLP中得多分类任务，下面根据我的简单测试，一起看看。

二、介绍

Simple Transformers专为一些特殊得NLP任务设计得。文本分类非常普遍，如今再NLP任务中也不算比较难的任务了。 Simple Transformers就是这么想的，在这里就是要做到这一点！

所有源代码都可以在Github Repo上找到。

安装

1. 从这里安装Anaconda或Miniconda Package Manager
2. 创建一个新的虚拟环境并安装所需的软件包。

conda create -n transformers python pandas tqdm
conda activate transformers

如果使用cuda:

conda install pytorch cudatoolkit=10.0 -c pytorch

否则：

conda install pytorch cpuonly -c pytorch
conda install -c anaconda scipy
conda install -c anaconda scikit-learn
pip install transformers
pip install tensorboardx

安装simpletransformers。

用法

让我们看看如何对AGNews数据集执行多类分类。

下载并提取数据

1. 从Fast.ai下载数据集。（国内用户需要FQ下载）
2. 提取train.csv和test.csv并将它们放在目录data /中。

准备数据进行培训

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。 只需为列的文本和标签命名，SimpleTransformers就会处理数据。 或者可以遵循以下约定。
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。

使用模型：

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”。

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。

model = TransformerModel('xlnet', 'path_to_model/', num_labels=4)

TransformerModel具有dict args，其中包含许多属性，这些属性可提供对超参数的控制。 有关每个属性的详细说明， 默认值如下所示。

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。

# 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})

开始训练：

# Train the model
model.train_model(train_df)

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']。

验证：

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。

结果：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列表。 如果需要每个类别的概率而不是单个预测，这很有用。 通过对输出应用softmax函数来计算预测。

错误的预测：每个错误预测的InputFeature列表。 可以从InputFeature.text_a属性获取文本。 （可以在存储库的utils.py文件中找到InputFeature类）

还可以包括要在评估中使用的其他指标。 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），我们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。

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：

{'mcc': 0.937104098029913, 'f1': 0.9527631578947369, 'acc': 0.9527631578947369}

这个结果是我没有做任务超参的调整。。。。

预测/测试

在实际应用中，我们通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。

predictions, raw_outputs = model.predict(['Some arbitary sentence'])

结论

在许多实际应用中，多类分类是常见的NLP任务。 Simple Transformers是将Transformers的功能应用于现实世界任务的一种轻松方法，建议大家开始尝试。