paddlehub_ernie_emotion_analysis

百度PaddleHub-ERNIE微调中文情感分析(文本二分类)。详细流程参考博文。

PaddlePaddle-PaddleHub

飞桨(PaddlePaddle)以百度多年的深度学习技术研究和业务应用为基础，是中国首个自主研发、功能完备、 开源开放的产业级深度学习平台，集深度学习核心训练和推理框架、基础模型库、端到端开发套件和丰富的工具组件于一体。PaddleHub旨在为开发者提供丰富的、高质量的、直接可用的预训练模型。

ERNIE

ERNIE(Enhanced Representation through kNowledge IntEgration)是百度提出的知识增强的语义表示模型，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。在语言推断、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(NLP)各类中文任务上的验证显示，模型效果全面超越BERT。 更多详情请参考ERNIE论文。

一、环境安装

# CPU
pip install paddlepaddle
# GPU
pip install paddlepaddle-gpu
pip install paddlehub

有gpu的，建议安装paddlepaddle-gpu版(训练速度会提升好几倍)。paddlepaddle-gpu默认安装的是cuda10.2，如果需要安装其他cuda版本，到官方网站查找命令。(注意，从1.8.0开始采用动态图，所以paddlepaddle和paddlehub版本最好从1.8.0开始使用。)

二、数据预处理

这里使用的数据是二分类数据集weibo_senti_100k.csv，即情感倾向只有正向和负向，下载地址:https://github.com/SophonPlus/ChineseNlpCorpus，已存放至data/weibo_senti_100k该目录下。由于PaddleHub用的是tsv格式的数据集，所以需要运行to_tsv.py该脚本将csv格式转成tsv格式。

三、微调

运行finetune_ernie.py。使用自己的数据集，需要修改base_path数据存放目录，label_list修改为实际的数据集标签。

选择模型

model = hub.Module(name='ernie_tiny', task='seq-cls', num_classes=len(MyDataset.label_list))

• name：模型名称，可以选择ernie，ernie_tiny，bert-base-cased， bert-base-chinese, roberta-wwm-ext，roberta-wwm-ext-large等。
• version：module版本号
• task：fine-tune任务。seq-cls(文本分类任务)或token-cls(序列标注任务)。
• num_classes：表示当前文本分类任务的类别数，根据具体使用的数据集确定，默认为2。 PaddleHub还提供BERT等模型可供选择, 当前支持文本分类任务的模型对应的加载示例如下： 

选择优化策略和运行配置

optimizer = paddle.optimizer.Adam(learning_rate=args.learning_rate, parameters=model.parameters())
trainer = hub.Trainer(model, optimizer, checkpoint_dir=args.checkpoint_dir, use_gpu=args.use_gpu)
trainer.train(train_dataset, epochs=args.num_epoch, batch_size=args.batch_size, eval_dataset=dev_dataset,
              save_interval=args.save_interval)
# 在测试集上评估当前训练模型
trainer.evaluate(test_dataset, batch_size=args.batch_size)

优化策略

Paddle提供了多种优化器选择，如SGD，Adam，Adamax等，详细参见策略。其中Adam:

• learning_rate：全局学习率。默认为1e-3；
• parameters：待优化模型参数。

  运行配置

  hub.Trainer主要控制Fine-tune的训练，包含以下可控制的参数: 

• model：被优化模型；
• optimizer：优化器选择；
• checkpoint_dir：保存模型参数的地址；
• use_gpu：是否使用gpu，默认为False。对于GPU用户，建议开启use_gpu。

trainer.train主要控制具体的训练过程，包含以下可控制的参数：

• train_dataset：训练时所用的数据集；
• epochs：训练轮数；
• batch_size：训练的批大小，如果使用GPU，请根据实际情况调整batch_size；
• num_workers：works的数量，默认为0；
• eval_dataset：验证集；
• log_interval：打印日志的间隔， 单位为执行批训练的次数。
• save_interval：保存模型的间隔频次，单位为执行训练的轮数。

  四、模型预测

  完成Fine-tune后，Fine-tune过程在验证集上表现最优的模型会被保存在${CHECKPOINT_DIR}/best_model目录下，其中${CHECKPOINT_DIR}目录为Fine-tune时所选择的保存checkpoint的目录。运行脚本predict.py。

  五、结果

  训练集： 测试集： 在二分类数据集weibo_senti_100k.csv上，训练集准确率可以达到98%，测试集准确率同样可以达到98%。