Text_Classifier_Pytorch

Info

基于Pytorch的文本分类框架。

同时支持中英文的数据集的文本分类任务。

支持中英文语料训练
- 支持中英文的文本分类任务。
支持多种模型使用
- 配置文件Config.py中的变量model_name表示模型名称，可以更改成你想要加载的模型名称。
- 若是预训练类的模型，如Bert等，需要同步修改变量initial_pretrain_model和initial_pretrain_tokenizer，修改为你想要加载的预训练参数。
混合精度训练
- 用于提升训练过程效率，缩短训练时间。
- 配置文件Config.py中的变量fp16值改为True。
GPU多卡训练
- 用于分布式训练，支持单机单卡、多卡训练。
- 配置文件Config.py中的变量cuda_visible_devices用于设置可见的GPU卡号，多卡情况下用,间隔开。
对抗训练
- 在模型embedding层增加扰动，使模型学习对抗扰动，提升表现，需要额外增加训练时间。
- 配置文件Config.py中的变量adv_option用于设置可见的对抗模式，目前支持FGM/PGD。
对比学习
- 用于增强模型语义特征提取能力，借鉴Rdrop和SimCSE的思想，目前支持KL loss和InfoNCE两种损失。
- 配置文件Config.py中的变量cl_option设置为True则表示开启对比学习模式，cl_method用于设置计算对比损失的方法。

THUCNews
- 来自：https://github.com/649453932/Chinese-Text-Classification-Pytorch
- 关于THUCNews的的数据。
- 数据分为10个类标签类别，分别为：财经、房产、股票、教育、科技、社会、时政、体育、游戏、娱乐
加入自己的数据集
- 可使用本项目的处理方式，将数据集切分为3部分：train/valid/test，其中token和label之间用制表符\t分割。
- 在 ./dataset 目录下新建一个文件夹，并把3个数据文件放置新建文件夹下。

数据集示例

以数据集THUCNews为栗子，文本和标签使用空格隔开，采用以下形式存储：

午评沪指涨0.78%逼近2800 汽车家电农业领涨   2
卡佩罗：告诉你德国脚生猛的原因 不希望英德战踢点球   7

说明：预训练模型基于transformers框架，如若想要替换成其他预训练参数，可以查看transformers官方网站。

模型名称	MicroF1	LearningRate	预训练参数
FastText	0.8926	1e-3	-
TextCNN	0.9009	1e-3	-
TextRNN	0.9080	1e-3	-
TextRCNN	0.9142	1e-3	-
Tramsformer(2 layer)	0.8849	1e-3	-
Albert	0.9124	2e-5	voidful/albert_chinese_tiny
Distilbert	0.9209	2e-5	Geotrend/distilbert-base-zh-cased
Bert	0.9401	2e-5	bert-base-chinese
Roberta	0.9448	2e-5	hfl/chinese-roberta-wwm-ext
Electra	0.9377	2e-5	hfl/chinese-electra-base-discriminator
XLNet	0.9051	2e-5	无参数初始化

Python使用的是3.6.X版本，其他依赖模块如下：

    numpy==1.19.2
    pandas==1.1.5
    scikit_learn==1.0.2
    torch==1.8.0
    tqdm==4.62.3
    transformers==4.15.0
    apex==0.1

除了apex需要额外安装（参考官网：https://github.com/NVIDIA/apex ），其他模块可通过以下命令安装依赖包

    pip install -r requirement.txt

准备好训练数据后，终端可运行命令

    python3 main.py

加载已训练好的模型，并使用valid set作模型测试，输出文件到 ./dataset/${your_dataset}/output/output.txt 目录下。

需要修改Config文件中的变量值mode = 'test'，并保存。

终端可运行命令

    python3 main.py