jtyoui-ernie 0.0.3

A pretrained NLP model for every NLP tasks

English|简体中文

ERNIE是百度开创性提出的基于知识增强的持续学习语义理解框架，该框架将大数据预训练与多源丰富知识相结合，通过持续学习技术，不断吸收海量文本数据中词汇、结构、语义等方面的知识，实现模型效果不断进化。ERNIE在情感分析、文本匹配、自然语言推理、词法分析、阅读理解、智能问答等16个公开数据集上全面显著超越世界领先技术，在国际权威的通用语言理解评估基准GLUE上，得分首次突破90分，获得全球第一。在今年3月落下帷幕的全球最大语义评测SemEval 2020上，ERNIE摘得5项世界冠军， 该技术也被全球顶级科技商业杂志《麻省理工科技评论》官方网站报道，相关创新成果也被国际顶级学术会议AAAI、IJCAI收录。ERNIE在工业界得到了大规模应用，如搜索引擎、新闻推荐、广告系统、语音交互、智能客服等。

提醒: ERNIE老版本代码已经迁移至repro分支，欢迎使用我们全新升级的基于动静结合的新版ERNIE套件进行开发。另外，也欢迎上EasyDL体验更丰富的功能（如ERNIE 2.0、ERNIE 2.1、ERNIE领域模型等）。

新闻

• 2020.5.20:
  • 欢迎试用动态图实现的 ERNIE:
    • 基于PaddlePaddle v1.8使用 ERNIE 进行 Pretrain 和 Finetune.
    • 动态执行, 所见即所得。
    • 大规模分布式训练。
    • 易于部署。
    • 通过Aistudio 教程快速入门NLP。
    • 向后兼容老版 checkpoint。
  • ERNIE-GEN 模型正式开源! (点击进入)
    • 最强文本生成预训练模型正式开源，相关工作已被 IJCAI-2020 收录。
      • 首次把 ERNIE 预训练技术能力扩展至文本生成领域，在多个典型任务上取得最佳。
      • 您现在即可下载论文报告的所有模型（包含 base/large/large-160G）。
    • 首次在预训练阶段加入span-by-span 生成任务，让模型每次能够生成一个语义完整的片段。
    • 提出填充式生成机制和噪声感知机制来缓解曝光偏差问题。
    • 精巧的 Mulit-Flow Attention 实现框架。
• 2020.4.30 发布ERNIESage， 一种新型图神经网络模型，采用ERNIE做为aggreagtor. 由PGL实现。
• 2020.3.27 在SemEval2020五项子任务上夺冠。
• 2019.12.26 GLUE榜第一名。
• 2019.11.6 发布ERNIE Tiny。
• 2019.7.7 发布ERNIE 2.0。
• 2019.3.16 发布ERNIE 1.0。

导航

• 教程
• 安装
• 支持的NLP任务
• 预训练(ERNIE 1.0)
• 在线预测
• 蒸馏

快速上手

import numpy as np
import paddle.fluid.dygraph as D
from ernie.tokenizing_ernie import ErnieTokenizer
from ernie.modeling_ernie import ErnieModel

D.guard().__enter__() # activate paddle `dygrpah` mode

model = ErnieModel.from_pretrained('ernie-1.0')    # Try to get pretrained model from server, make sure you have network connection
tokenizer = ErnieTokenizer.from_pretrained('ernie-1.0')

ids, _ = tokenizer.encode('hello world')
ids = D.to_variable(np.expand_dims(ids, 0))  # insert extra `batch` dimension
pooled, encoded = model(ids)                 # eager execution
print(pooled.numpy())                        # convert  results to numpy

教程

手边没有GPU？欢迎在AIStudio中直接试用 ERNIE. (请选择最新版本的教程并申请GPU运行环境)

1. 从0开始学ERNIE
2. 情感识别
3. 完形填空
4. 知识蒸馏
5. 万事不决问ERNIE

安装

1. 安装 PaddlePaddle

本项目依赖PaddlePaddle 1.7.0+， 请参考这里安装 PaddlePaddle。

2. 安装 ERNIE

pip install paddle-ernie

或者

git clone https://github.com/PaddlePaddle/ERNIE.git --depth 1
cd ERNIE
pip install -r requirements.txt
pip install -e .

3. 下载预训练模型（可选）

Model	细节参数	下载简写
ERNIE 1.0 Base 中文	Layer:12, Hidden:768, Heads:12	ernie-1.0
ERNIE Tiny	Layer:3, Hdden:1024, Heads:16	ernie-tiny
ERNIE 2.0 Base 英文	Layer:12, Hidden:768, Heads:12	ernie-2.0-en
ERNIE 2.0 Large 英文	Layer:24, Hidden:1024, Heads16	ernie-2.0-large-en
ERNIE Gen Base 英文	Layer:12, Hidden:768, Heads:12	ernie-gen-base-en
ERNIE Gen Large 英文	Layer:24, Hidden:1024, Heads:16	ernie-gen-large-en
ERNIE Gen Large 160G英文	Layer:24, Hidden:1024, Heads:16 + 额外160G 预训练语料	ernie-gen-large-160g-en

4. 下载数据集

英文数据集

运行此脚本，下载GLUE datasets.

请将数据目录整理成以下格式，方便在后续 demo 教程中使用（通过--data_dir参数将数据路径传入训练脚本）；

data/xnli
├── dev
│   └── 1
├── test
│   └── 1
└── train
    └── 1

示例数据（MNLI任务测试、训练集合）。

中文数据

数据集	描述
XNLI	XNLI 是由 Facebook 和纽约大学的研究者联合构建的自然语言推断数据集，包括 15 种语言的数据。我们用其中的中文数据来评估模型的语言理解能力。链接
ChnSentiCorp	ChnSentiCorp 是一个中文情感分析数据集，包含酒店、笔记本电脑和书籍的网购评论。
MSRA-NER	MSRA-NER (SIGHAN2006) 数据集由微软亚研院发布，其目标是识别文本中具有特定意义的实体，包括人名、地名、机构名。
NLPCC2016-DBQA	NLPCC2016-DBQA 是由国际自然语言处理和中文计算会议 NLPCC 于 2016 年举办的评测任务，其目标是从候选中找到合适的文档作为问题的答案。链接
CMRC2018	CMRC2018 是中文信息学会举办的评测，评测的任务是抽取类阅读理解。链接

支持的NLP任务

• 使用 动态图 模型进行finetune:

python3 ./ernie_d/demo/finetune_classifier_dygraph.py \
       --from_pretrained ernie-1.0 \
       --data_dir ./data/xnli  

• 分布式 finetune

paddle.distributed.launch 是一个进程管理器，我们采用它在每一张GPU上启动一个python进程，并配置相应的环境变量以进行分布式训练:

当采用分布式训练时，我们采用max_steps做为终止条件而非epoch, 这样处理是为了避免进程间死锁。 你可以通过EPOCH * NUM_TRAIN_EXAMPLES / TOTAL_BATCH的方式计算出所需执行的max_steps. 另外值得注意的是训练集需要在不同的进程间进行切分；以避免所有进程训练同一份数据造成的过拟合。

示例脚本（请确保你有两张以上GPU卡, 在线模型下载功能在paddle.distributed.launch下无法工作， 你可能需要一个先通过单卡finetune方式下载预训练模型，或者根据这里手动下载并解压预训练模型）:

python3 -m paddle.distributed.launch \
./demo/finetune_classifier_dygraph_distributed.py \
    --data_dir data/mnli \
    --max_steps 10000 \
    --from_pretrained ernie2.0-en

更多示例脚本:

1. 情感分析
2. 语义匹配
3. 命名实体识别(NER)
4. 机器阅读理解
5. 文本摘要生成

推荐超参数设置：

任务	batch size	learning rate
CoLA	32 / 64 (base)	3e-5
SST-2
64 / 256 (base)	2e-5
STS-B	128	5e-5
QQP	256	3e-5(base)/5e-5(large)
MNLI	256 / 512 (base)	3e-5
QNLI	256	2e-5
RTE	16 / 4 (base)	2e-5(base)/3e-5(large)
MRPC	16 / 32 (base)	3e-5
WNLI	8	2e-5
XNLI	512	1e-4(base)/4e-5(large)
CMRC2018	64	3e-5
DRCD	64	5e-5(base)/3e-5(large)
MSRA-NER(SIGHAN2006)	16	5e-5(base)/1e-5(large)
ChnSentiCorp	24	5e-5(base)/1e-5(large)
LCQMC	32	2e-5(base)/5e-6(large)
NLPCC2016-DBQA	64	2e-5(base)/1e-5(large)

预训练 (ERNIE 1.0)

请见这里

在线预测

如果finetune_classifier_dygraph.py中指定了--inference_model_dir参数，funetune脚本会将你的模型序列化并产出可以直接部署线上预测的inference_model.

关于生产环境中使用线上预测代码的实现细节，请见C++ inference API. 或者你可以使用propeller启动一个多GPU预测服务(需要GPU环境)，只需执行：

python -m propeller.tools.start_server -m /path/to/saved/inference_model  -p 8881

即可启动预测服务；随后在Python端采用如下命令访问该服务(仅限 python3):

from propeller.service.client import InferenceClient
from ernie.tokenizing_ernie import ErnieTokenizer

client = InferenceClient('tcp://localhost:8881')
tokenizer = ErnieTokenizer.from_pretrained('ernie-1.0')
ids, sids = tokenizer.encode('hello world')
ids = np.expand_dims(ids, 0)
sids = np.expand_dims(sids, 0)
result = client(ids, sids)

你也可从[此处]((https://ernie.bj.bcebos.com/ernie1.0_zh_inference_model.tar.gz.)下载一个预先制作好的ernie-1.0 base模型的 inference_model. 该模型没有经过finetune，一般可以用做上层模型结构的 feature-base finetune或者做为一个文本特征抽取器。 因为该模行由老版API 产出，在进行客户端请求时需要在输入tensor后面追加一个维度：

ids = np.expand_dims(ids, -1) # ids.shape==[BATCH, SEQLEN, 1]

蒸馏

知识蒸馏是进行ERNIE模型压缩、加速的有效方式；关于知识蒸馏的实现细节请参见这里。

文献引用

ERNIE 1.0

@article{sun2019ernie,
  title={Ernie: Enhanced representation through knowledge integration},
  author={Sun, Yu and Wang, Shuohuan and Li, Yukun and Feng, Shikun and Chen, Xuyi and Zhang, Han and Tian, Xin and Zhu, Danxiang and Tian, Hao and Wu, Hua},
  journal={arXiv preprint arXiv:1904.09223},
  year={2019}
}

ERNIE 2.0

@article{sun2019ernie20,
  title={ERNIE 2.0: A Continual Pre-training Framework for Language Understanding},
  author={Sun, Yu and Wang, Shuohuan and Li, Yukun and Feng, Shikun and Tian, Hao and Wu, Hua and Wang, Haifeng},
  journal={arXiv preprint arXiv:1907.12412},
  year={2019} 
}

ERNIE-GEN

@article{xiao2020ernie-gen,
  title={ERNIE-GEN: An Enhanced Multi-Flow Pre-training and Fine-tuning Framework for Natural Language Generation},
  author={Xiao, Dongling and Zhang, Han and Li, Yukun and Sun, Yu and Tian, Hao and Wu, Hua and Wang, Haifeng},
  journal={arXiv preprint arXiv:2001.11314},
  year={2020}
}

若希望复现 paper 中的所有实验，请切换至本repo的repro分支。

讨论组

• ERNIE官方主页
• Github Issues: bug reports, feature requests, install issues, usage issues, etc.
• QQ 群: 760439550 (ERNIE discussion group).
• Forums: discuss implementations, research, etc.