\u200E
PaddleHub 1.0正式发布: 一键模型加载,十行代码完成迁移学习
发布日期:2019-07-08T16:00:00.000+0000 浏览量:155次
飞桨(PaddlePaddle)核心框架Paddle Fluid v1.5已经发布,而作为其关键工具,用来迁移学习的PaddleHub也进行了全面更新,正式发布了1.0版本。

全新的PaddleHub模型和任务更加丰富,为用户提供了覆盖文本图像视频三大领域八大任务的40+预训练模型,同时还在飞桨官网上开辟了PaddleHub的网页。

本文将对PaddleHub及其更新做更加全面的介绍。

PaddleHub是什么

深度学习模型的价值在AI时代不断增大。要想得到一个高质量的深度学习模型,离不开4个要素,优秀的算法、充足的算力、丰富的数据以及专家知识。大家在深度学习中常常遇到以下问题:

  • 一些研究领域只有少量标注数据,且数据标注成本较高,不足以训练一个足够鲁棒的神经网络

  • 大规模神经网络的训练依赖于大量的计算资源,这对于一般用户而言难以实现

  • 应对于普适化需求的模型,在特定应用上表现不尽如人意

PaddleHub就是为了解决对深度学习模型的需求而开发的工具。

它基于飞桨领先的核心框架,精选效果优秀的算法,提供了百亿级大数据训练的预训练模型,方便用户不用花费大量精力从头开始训练一个模型。PaddleHub可以便捷地获取这些预训练模型,完成模型的管理和一键预测。

配合使用Fine-tune API,可以基于大规模预训练模型快速完成迁移学习,让预训练模型能更好地服务于用户特定场景的应用。

PaddleHub有什么特色

1、 通过PaddleHub,开发者可以便捷地获取飞桨生态下的所有预训练模型,涵盖了图像分类、目标检测、词法分析、语义模型、情感分析、语言模型、视频分类、图像生成八类主流模型40余个,如图1 所示。飞桨还发布了PaddleHub的官方网页,对各个预训练模型的应用提供了详实的介绍。

640?wx_fmt=png 图1 PaddleHub提供了40+官方预训练模型

2、PaddleHub引入了模型即软件的概念,通过Python API或者命令行工具,一键完成预训练模型地预测。此外还借鉴了Anaconda和pip软件包管理的理念设计了一套命令行接口。

深度学习时代,模型发展的趋势会逐渐向软件工程靠拢;未来模型可以当作一个可执行程序,一键预测;也可以是第三方库,通过模型插拔的方式提高开发者的开发效率。

同时模型会有版本的概念,通过不断迭代升级的方式提升我们模型的效果。通过命令行工具,可以方便快捷的完成模型的搜索、下载、安装、预测等功能,对应的关键的命令分别是search,download,install,run等。

如以下示例,在安装完成飞桨和PaddleHub以后(具体安装方法见后文示例),使用词法分析模型LAC,可以一键实现分词。

  1.  
    $ hub run lac --input_text "今天是个好日子"
  2.  
    [{'word': ['今天''是''个''好日子'], 'tag': ['TIME''v''q''n']}]

再如以下示例所示,是一个目标检测的例子,通过hub run 调用不同的目标检测模型,一行即可完成预测,同时也可以快速体验哪个模型能更符合开发的需求。

  1.  
    $ hub run yolov3_coco2017 --input_path test.jpg 
  2.  
    $ hub run faster_rcnn_coco2017 --input_path test.jpg

 

640?wx_fmt=jpeg

 图2 PaddleHub一键完成预训练模型地预测

3、通过PaddleHub Fine-tune API,结合少量代码即可完成大规模预训练模型的迁移学习。下面一节我们也会全面介绍PaddleHub的API。

PaddleHub API全景

PaddleHub API的全景图如图3所示。

为了更好帮助用户更好的应用预训练模型,PaddleHub对Fine-tune做了6个层次的抽象。

640?wx_fmt=png 图3 PaddleHub Fine-tune API全景

  • 数据集Dataset:PaddleHub提供多种NLP任务和CV任务的数据集,用户也可以在自定义数据集上完成Fine-tune。

  • 数据预处理Reader:PaddleHub的数据预处理模块Reader对常见的NLP和CV任务进行了抽象。

  • 预训练模型Module:Module代表了一个预训练模型。

  • 优化策略Strategy:在PaddleHub中,Strategy类封装了一系列适用于迁移学习的Fine-tune策略。Strategy包含了对预训练参数使用什么学习率变化策略,使用哪种类型的优化器,使用什么类型的正则化等。

  • 运行配置 RunConfig:在PaddleHub中,RunConfig代表了在对Task进行Fine-tune时的运行配置。包括运行的epoch次数、batch的大小、是否使用GPU训练等。

  • 迁移任务Task:PaddleHub预置了常见任务的Task。Task代表了一个Fine-tune的任务。任务中包含了执行该任务相关的Program、数据Reader、运行配置等内容。每种Task都有自己特有的应用场景以及提供了对应的度量指标,用于适应用户的不同需求。预置的任务类型包括图像分类、文本分类、序列分类和多标签分类各类任务。

PaddleHub还支持用户可以通过继承BasicTask来实现自己的任务。

PaddleHub封装了finetune、eval、finetune_and_eval、predict等直观的基础接口,让开发者更方便完成模型的迁移和应用。

如何快速开始

640?wx_fmt=png

 图4 PaddleHub Fine-tune API使用

接下来本文结合实际案例,讲述如何快速使用PaddleHub实现十行代码完成文本分类迁移。

场景是标注数据不多中文文本分类场景,如何提高分类的精度和模型的泛化能力。

这里的方案是借助ERNIE + PaddleHub Finetune API,除去安装,只想要5个步骤,10行代码即可解决这一问题。

这里先介绍一下ERNIE,它是百度发布的知识增强的预训练模型,通过建模海量数据中的词、实体及实体关系,学习真实世界的语义知识。

具体来说,ERNIE 模型通过对词、实体等语义单元的掩码,使得模型学习完整概念的语义表示。

相较于 BERT 学习原始语言信号,ERNIE 直接对先验语义知识单元进行建模,增强了模型语义表示能力。

ERNIE在多个公开的中文数据集上进行了效果验证,包括语言推断、语义相似度、命名实体识别、情感分析、问答匹配等自然语言处理各类任务上,均超越了语义表示模型 BERT 的效果。

接下来开始实战演练PaddleHub。

1. 安装

$ pip install paddlepaddle  #CPU安装命令

或者

$ pip install paddlepaddle-gpu # GPU安装

以上命令是安装CPU或者GPU版本的飞桨。通过以下命令则可以安装PaddleHub。

$ pip install paddlehub

另外,PaddleHub内置了深度学习可视化工具VisualDL的依赖,通过VisualDL,可以很好的对深度学习任务进行可视化。

2. 选择预训练模型

在完成安装飞桨与PaddleHub,import导入相应模块后,一行代码即可加载预训练模型。只要1分钟,你就能得到万级别GPU小时训练出来的ERNIE模型。当然也可以支持BERT模型调用,只需要更换不同的模型名称即可。

  1.  
    import paddle.fluid as fluid
  2.  
    import paddlehub as hub
  3.  
    module = hub.Module(name="ernie")
  4.  
    inputs, outputs, program = module.context(trainable=True, max_seq_len=128)

第二步是获取模型上下文,包括了预训练模型的输入Tensor,输出Tensor还有计算图。这里面有个关键参数是trainable。如果trainable为True,那么就是一个fine-tune的任务,预训练模型的参数会做微调,以更好的适应顶层的应用、如果trainable为False,那么就预训练模型参数保持不变,将它当作特征提取器。对于ERNIE模型而言,不推荐使用特征提取,一定要通过Finetune的方式才能取得更好的效果。

3. 数据处理

选择模型后就是进行数据预处理,针对不同的迁移任务做了一系列数据处理的封装。

  1.  
    dataset = hub.dataset.ChnSentiCorp()
  2.  
    reader = hub.reader.ClassifyReader(
  3.  
        dataset=dataset,
  4.  
        vocab_path=module.get_vocab_path(),
  5.  
        max_seq_len=128)

hub.dataset.ChnSentiCorp() 会自动从网络下载数据集并解压到用户目录下。

4. 策略配置

接下来开始配置Fine-tune时用到的优化策略。针对ERNIE与BERT类任务,PaddleHub封装了适合这一任务的迁移学习优化策略AdamWeightDecayStrategy

  1.  
    strategy = hub.AdamWeightDecayStrategy(
  2.  
        learning_rate=5e-5,
  3.  
        weight_decay=0.01,
  4.  
        lr_scheduler="linear_decay",
  5.  
    )
  6.         config=hub.RunConfig(use_cuda=True, num_epoch=3,batch_size=32,checkpoint_dir="
  7.  ckpt_dir",strategy=strategy)
     
     

5. 创建迁移学习任务

组建移学习任务这块也非常简单,首先是选择预训练的模型输出,作为我们句子的特征。

在这里ERNIE我们选择pooled_output作为句子的特征输出。也可以通过获取sequence_output来得到词粒度的特征,这个特征般用于序列标注。

  1.  
    pooled_output = outputs["pooled_output"]
  2.  
     
  3.  
    # feed_list的Tensor顺序不可以调整
  4.  
    feed_list = [
  5.  
        inputs["input_ids"].name,
  6.  
        inputs["position_ids"].name,
  7.  
        inputs["segment_ids"].name,
  8.  
        inputs["input_mask"].name,
  9.  
    ]
  10.  
     
  11.  
    cls_task = hub.TextClassifierTask(
  12.  
        data_reader=reader,
  13.  
        feature=pooled_output,
  14.  
        feed_list=feed_list,
  15.  
        num_classes=dataset.num_labels,
  16.  
        config=config)
  17.  
     
  18.  
    cls_task.finetune_and_eval()

Finetuning API非常智能,会自动完成评估,保存最优模型还有自动可视化的功能。Finetune API训练过程中会自动对关键训练指标进行打点,启动程序后执行下面命令

$ visualdl --logdir ckpt_dir/vdllog -t ${HOST_IP}

其中${HOST_IP}为本机IP地址,如本机IP地址为192.168.0.1,用浏览器打开192.168.0.1:8040,其中8040为端口号,即可看到训练过程中指标的变化情况

6. 模型预测

通过Finetune完成模型训练后,在对应的ckpt_dir目录下,会自动保存验证集上效果最好的模型。接下来可以按照如下的示例进行预测。

  1.  
    # Data to be prdicted
     data = [
    ["这个宾馆比较陈旧了,特价的房间也很一般。总体来说一般"], ["交通方便;环境很好;服务态度很 好 房间较小"],["还稍微重了点,可能是硬盘大的原故,还要再轻半斤就好了。其他要进一步验证。贴的几种膜气泡较多,用不了多久就要更换了,屏幕膜稍好点,但比没有要强多了。建议配赠几张膜让用用户自己贴。"],[ "前台接待太差,酒店有A B楼之分,本人check-in后,前台未告诉B楼在何处,并且B楼无明显指示;房间太小,根本不像4星级设施,下次不会再选择入住此店啦"], ["19天硬盘就罢工了~~~算上运来的一周都没用上15天~~~可就是不能换了~~~唉~~~~你说这算什么事呀~~~"]]
  1.  
    index = 0
  2.  
    run_states = cls_task.predict(data=data)
  3.  
    results = [run_state.run_results for run_state in run_states]
  4.  
    for batch_result in results:
  5.  
        # get predict index
  6.  
        batch_result = np.argmax(batch_result, axis=2)[0]
  7.  
        for result in batch_result:
  8.  
            print("%s\tpredict=%s" % (data[index][0], result))
  9.  
            index += 1

除了以上的介绍,PaddleHub还在AI Studio和AIBook上提供了IPython NoteBook形式的demo,开发者可以直接在平台上在线体验PaddleHub带来的各种便捷。

此外,AI studio平台还发布了亿元算力支持计划,提供了“每日运行赠12小时”和“连续5天运行赠48小时”两种机制共同服务,每天都得能轻松获得! 

该平台集成算力、教程、 样例模型、工程开发、在线部署的能力, 乃至比赛平台,满足从0基础学习到技术落地的全生命周期,帮助开发者全面掌握深度学习技术的各方各面。

项目地址:
https://github.com/PaddlePaddle/PaddleHub?fr=gzh