Are you sure you want to delete this task? Once this task is deleted, it cannot be recovered.
You can not select more than 25 topics
Topics must start with a chinese character,a letter or number, can include dashes ('-') and can be up to 35 characters long.
deng
1fa7683171
|
1 year ago | |
|---|---|---|
| ascend310_infer | 2 years ago | |
| ckpt | 2 years ago | |
| data | 2 years ago | |
| mindir | 2 years ago | |
| scripts | 2 years ago | |
| src | 2 years ago | |
| README.md | 1 year ago | |
| export.py | 2 years ago | |
| postprocess.py | 2 years ago | |
| preprocess.py | 2 years ago | |
| run_dgu.py | 2 years ago | |
README.md
目录
概述
对话系统 (Dialogue System) 常常需要根据应用场景的变化去解决多种多样的任务。任务的多样性（意图识别、槽填充、行为识别、状态追踪等等），以及领域训练数据的稀少，给Dialogue System的研究和应用带来了巨大的困难和挑战，要使得Dialogue System得到更好的发展，基于BERT的对话通用理解模型 (DGU: Dialogue General Understanding)，通过实验表明，使用base-model (BERT)并结合常见的学习范式，可以实现一个通用的对话理解模型。
DGU模型内共包含4个任务，全部基于公开数据集在mindspore1.1.1上完成训练及评估，详细说明如下：
udc: 使用UDC (Ubuntu Corpus V1) 数据集完成对话匹配 (Dialogue Response Selection) 任务;
atis_intent: 使用ATIS (Airline Travel Information System) 数据集完成对话意图识别 (Dialogue Intent Detection) 任务；
mrda: 使用MRDAC (Meeting Recorder Dialogue Act Corpus) 数据集完成对话行为识别 (Dialogue Act Detection) 任务；
swda: 使用SwDAC (Switchboard Dialogue Act Corpus) 数据集完成对话行为识别 (Dialogue Act Detection) 任务;
模型架构
BERT的主干结构为Transformer。对于BERT_base，Transformer包含12个编码器模块，每个模块包含一个自注意模块，每个自注意模块包含一个注意模块。
数据准备
- 下载数据集压缩包并解压后，DGU_datasets目录下共存在6个目录，分别对应每个任务的训练集train.txt、评估集dev.txt和测试集test.txt。
wget https://paddlenlp.bj.bcebos.com/datasets/DGU_datasets.tar.gz
tar -zxf DGU_datasets.tar.gz - 下载数据集进行微调和评估，如udc、atis_intent、mrda、swda等。将数据集文件从JSON格式转换为MindRecord格式。详见src/dataconvert.py文件。
- BERT模型训练的词汇表bert-base-uncased-vocab.txt 下载地址：https://s3.amazonaws.com/models.huggingface.co/bert/bert-base-uncased-vocab.txt
- bert-base-uncased预训练模型原始权重 下载地址：https://paddlenlp.bj.bcebos.com/models/transformers/bert-base-uncased.pdparams
环境要求
- 硬件（GPU处理器）
- 准备GPU处理器搭建硬件环境。
- 框架
- 更多关于Mindspore的信息，请查看以下资源：
快速入门
从官网下载安装MindSpore之后，您可以按照如下步骤进行训练和评估：
- 在GPU上运行
# 运行微调和评估示例
- 如需运行微调任务，请先准备预训练生成的权重文件（ckpt）。
- 在`finetune_eval_config.py`中设置BERT网络配置和优化器超参。
- 运行下载数据脚本：
bash scripts/download_data.sh
- 运行数据预处理脚本：
bash scripts/run_data_preprocess.sh
- 运行下载及转换预训练模型脚本（转换需要paddle环境）:
bash scripts/download_pretrain_model.sh
- dgu：在scripts/run_dgu.sh中设置任务相关的超参,可完成进行针对不同任务的微调。
- 运行`bash scripts/run_dgu_gpu.sh`，对BERT-base模型进行微调。
bash scripts/run_dgu_gpu.sh
在Ascend设备上做分布式训练时，请提前创建JSON格式的HCCL配置文件。
在Ascend设备上做单机分布式训练时，请参考here创建HCCL配置文件。
在Ascend设备上做多机分布式训练时，训练命令需要在很短的时间间隔内在各台设备上执行。因此，每台设备上都需要准备HCCL配置文件。请参考here创建多机的HCCL配置文件。
如需设置数据集格式和参数，请创建JSON格式的模式配置文件，详见TFRecord格式。
For pretraining, schema file contains ["input_ids", "input_mask", "segment_ids", "next_sentence_labels", "masked_lm_positions", "masked_lm_ids", "masked_lm_weights"].
For ner or classification task, schema file contains ["input_ids", "input_mask", "segment_ids", "label_ids"].
For squad task, training: schema file contains ["start_positions", "end_positions", "input_ids", "input_mask", "segment_ids"], evaluation: schema file contains ["input_ids", "input_mask", "segment_ids"].
`numRows` is the only option which could be set by user, other values must be set according to the dataset.
For example, the schema file of cn-wiki-128 dataset for pretraining shows as follows:
{
"datasetType": "TF",
"numRows": 7680,
"columns": {
"input_ids": {
"type": "int64",
"rank": 1,
"shape": [128]
},
"input_mask": {
"type": "int64",
"rank": 1,
"shape": [128]
},
"segment_ids": {
"type": "int64",
"rank": 1,
"shape": [128]
},
"next_sentence_labels": {
"type": "int64",
"rank": 1,
"shape": [1]
},
"masked_lm_positions": {
"type": "int64",
"rank": 1,
"shape": [20]
},
"masked_lm_ids": {
"type": "int64",
"rank": 1,
"shape": [20]
},
"masked_lm_weights": {
"type": "float32",
"rank": 1,
"shape": [20]
}
}
}
脚本说明
脚本和样例代码
.
└─dgu
├─README_CN.md
├─scripts
├─run_dgu.sh # Ascend上单机DGU任务shell脚本
├─run_dgu_gpu.sh # GPU上单机DGU任务shell脚本
├─download_data.sh # 下载数据集shell脚本
├─download_pretrain_model.sh # 下载预训练模型权重shell脚本
├─export.sh # export脚本
├─eval.sh # Ascend上单机DGU任务评估shell脚本
└─run_data_preprocess.sh # 数据集预处理shell脚本
├─src
├─__init__.py
├─adam.py # 优化器
├─args.py # 代码运行参数设置
├─bert_for_finetune.py # 网络骨干编码
├─bert_for_pre_training.py # 网络骨干编码
├─bert_model.py # 网络骨干编码
├─config.py # 预训练参数配置
├─data_util.py # 数据预处理util函数
├─dataset.py # 数据预处理
├─dataconvert.py # 数据转换
├─finetune_eval_config.py # 微调参数配置
├─finetune_eval_model.py # 网络骨干编码
├─metric.py # 评估过程的测评方法
├─pretrainmodel_convert.py # 预训练模型权重转换
├─tokenizer.py # tokenizer函数
└─utils.py # util函数
└─run_dgu.py # DGU模型的微调和评估网络
脚本参数
微调与评估
用法：dataconvert.py [--task_name TASK_NAME]
[--data_dir DATA_DIR]
[--vocab_file_path VOCAB_FILE_PATH]
[--output_dir OUTPUT_DIR]
[--max_seq_len N]
[--eval_max_seq_len N]
选项：
--task_name 训练任务的名称
--data_dir 原始数据集路径
--vocab_file_path BERT模型训练的词汇表
--output_dir 保存生成mindRecord格式数据的路径
--max_seq_len train数据集的max_seq_len
--eval_max_seq_len dev或test数据集的max_seq_len
用法：run_dgu.py [--device_target DEVICE_TARGET] [--do_train DO_TRAIN] [----do_eval DO_EVAL]
[--device_id N] [--epoch_num N]
[--train_data_shuffle TRAIN_DATA_SHUFFLE]
[--eval_data_shuffle EVAL_DATA_SHUFFLE]
[--checkpoint_path CHECKPOINT_PATH]
[--model_name_or_path MODEL_NAME_OR_PATH]
[--train_data_file_path TRAIN_DATA_FILE_PATH]
[--eval_data_file_path EVAL_DATA_FILE_PATH]
[--eval_ckpt_path EVAL_CKPT_PATH]
[--is_modelarts_work IS_MODELARTS_WORK]
选项:
--task_name 训练任务的名称
--device_target 代码实现设备，可选项为Ascend或CPU。默认为Ascend
--do_train 是否基于训练集开始训练，可选项为true或false
--do_eval 是否基于开发集开始评估，可选项为true或false
--epoch_num 训练轮次总数
--train_data_shuffle 是否使能训练数据集轮换，默认为true
--eval_data_shuffle 是否使能评估数据集轮换，默认为false
--checkpoint_path 保存生成微调检查点的路径
--model_name_or_path 初始检查点的文件路径（通常来自预训练BERT模型
--train_data_file_path 用于保存训练数据的mindRecord文件，如train1.1.mindrecord
--eval_data_file_path 用于保存预测数据的mindRecord文件，如dev1.1.mindrecord
--eval_ckpt_path 如仅执行评估，提供用于评估的微调检查点的路径
--is_modelarts_work 是否使用ModelArts线上训练环境，默认为false
选项及参数
可以在config.py和finetune_eval_config.py文件中分别配置训练和评估参数。
选项
config for lossscale and etc.
bert_network BERT模型版本，可选项为base或nezha，默认为base
batch_size 输入数据集的批次大小，默认为16
loss_scale_value 损失放大初始值，默认为2^32
scale_factor 损失放大的更新因子，默认为2
scale_window 损失放大的一次更新步数，默认为1000
optimizer 网络中采用的优化器，可选项为AdamWerigtDecayDynamicLR、Lamb、或Momentum，默认为Lamb
参数
数据集和网络参数（预训练/微调/评估）：
seq_length 输入序列的长度，默认为128
vocab_size 各内嵌向量大小，需与所采用的数据集相同。默认为21136
hidden_size BERT的encoder层数，默认为768
num_hidden_layers 隐藏层数，默认为12
num_attention_heads 注意头的数量，默认为12
intermediate_size 中间层数，默认为3072
hidden_act 所采用的激活函数，默认为gelu
hidden_dropout_prob BERT输出的随机失活可能性，默认为0.1
attention_probs_dropout_prob BERT注意的随机失活可能性，默认为0.1
max_position_embeddings 序列最大长度，默认为512
type_vocab_size 标记类型的词汇表大小，默认为16
initializer_range TruncatedNormal的初始值，默认为0.02
use_relative_positions 是否采用相对位置，可选项为true或false，默认为False
dtype 输入的数据类型，可选项为mstype.float16或mstype.float32，默认为mstype.float32
compute_type Bert Transformer的计算类型，可选项为mstype.float16或mstype.float32，默认为mstype.float16
Parameters for optimizer:
AdamWeightDecay:
decay_steps 学习率开始衰减的步数
learning_rate 学习率
end_learning_rate 结束学习率，取值需为正数
power 幂
warmup_steps 热身学习率步数
weight_decay 权重衰减
eps 增加分母，提高小数稳定性
Lamb:
decay_steps 学习率开始衰减的步数
learning_rate 学习率
end_learning_rate 结束学习率
power 幂
warmup_steps 热身学习率步数
weight_decay 权重衰减
Momentum:
learning_rate 学习率
momentum 平均移动动量
训练过程
用法
Ascend处理器上运行
bash scripts/run_dgu.sh
以上命令后台运行，您可以在task_name.log中查看训练日志。训练结束后，您可以在默认脚本路径下脚本文件夹中找到检查点文件，得到如下损失值：
# grep "epoch" task_name.log
epoch: 0.0, current epoch percent: 0.000, step: 1, outputs are (Tensor(shape=[1], dtype=Float32, [ 1.0856101e+01]), Tensor(shape=[], dtype=Bool, False), Tensor(shape=[], dtype=Float32, 65536))
epoch: 0.0, current epoch percent: 0.000, step: 2, outputs are (Tensor(shape=[1], dtype=Float32, [ 1.0821701e+01]), Tensor(shape=[], dtype=Bool, False), Tensor(shape=[], dtype=Float32, 65536))
...
注意如果所运行的数据集较大，建议添加一个外部环境变量，确保HCCL不会超时。
export HCCL_CONNECT_TIMEOUT=600将HCCL的超时时间从默认的120秒延长到600秒。
注意若使用的BERT模型较大，保存检查点时可能会出现protobuf错误，可尝试使用下面的环境集。export PROTOCOL_BUFFERS_PYTHON_IMPLEMENTATION=python
GPU上运行
bash scripts/run_dgu_gpu.sh
以上命令后台运行，您可以在task_name.log中查看训练日志。训练结束后，您可以在默认脚本路径下脚本文件夹中找到检查点文件，得到如下损失值：
# grep "epoch" task_name.log
epoch: 0, current epoch percent: 1.000, step: 6094, outputs are (Tensor(shape=[], dtype=Float32, value= 0.714172), Tensor(shape=[], dtype=Bool, value= False))
epoch time: 1702423.561 ms, per step time: 279.361 ms
epoch: 1, current epoch percent: 1.000, step: 12188, outputs are (Tensor(shape=[], dtype=Float32, value= 0.788653), Tensor(shape=[], dtype=Bool, value= False))
epoch time: 1684662.219 ms, per step time: 276.446 ms
epoch: 2, current epoch percent: 1.000, step: 18282, outputs are (Tensor(shape=[], dtype=Float32, value= 0.618005), Tensor(shape=[], dtype=Bool, value= False))
epoch time: 1711860.908 ms, per step time: 280.909 ms
...
注意如果所运行的数据集较大，建议添加一个外部环境变量，确保HCCL不会超时。
export HCCL_CONNECT_TIMEOUT=600将HCCL的超时时间从默认的120秒延长到600秒。
注意若使用的BERT模型较大，保存检查点时可能会出现protobuf错误，可尝试使用下面的环境集。export PROTOCOL_BUFFERS_PYTHON_IMPLEMENTATION=python
评估过程
用法
Ascend处理器上运行后评估各个任务的模型
运行以下命令前，确保已设置加载与训练检查点路径。若将检查点路径设置为绝对全路径，例如，/username/pretrain/checkpoint_100_300.ckpt，则评估指定的检查点；若将检查点路径设置为文件夹路径，则评估文件夹中所有检查点。
修改eval.sh中task_name为将要评估的任务名以及修改相应的测试数据路径，修改device_target为"Ascend"。
bash scripts/eval.sh
可得到如下结果：
eval model: /home/dgu/checkpoints/swda/swda_3-2_6094.ckpt
loading...
evaling...
==============================================================
(w/o first and last) elapsed time: 2.3705036640167236, per step time : 0.017053983194364918
==============================================================
Accuracy : 0.8092150215136715
GPU上运行后评估各个任务的模型
运行以下命令前，确保已设置加载与训练检查点路径。请将检查点路径设置为绝对全路径，例如，/username/pretrain/checkpoint_100_300.ckpt，则评估指定的检查点；若将检查点路径设置为文件夹路径，则评估文件夹中所有检查点。
修改eval.sh中task_name为将要评估的任务名以及修改相应的测试数据路径，修改device_target为"GPU"。
bash scripts/eval.sh
可得到如下结果：
eval model: /home/dgu/checkpoints/swda/swda-2_6094.ckpt
loading...
evaling...
==============================================================
(w/o first and last) elapsed time: 10.98917531967163, per step time : 0.0790588152494362
==============================================================
Accuracy : 0.8082890070921985
310推理
导出模型
bash scripts/export.sh
# export finetune ckpt to mindir
参数ckpt_file，file_format需要在export.sh中设置。
在Ascend310执行推理
以下展示了使用mindir模型执行推理的示例。
# Ascend310推理
bash scripts/run_infer_310.sh [MINDIR_PATH] [DATA_FILE_PATH] [NEED_PREPROCESS] [DEVICE_ID] [DATASET]
MINDIR_PATH为ckpt导出的mindir模型文件路径。DATA_FILE_PATH为预处理为MindRecord格式的测试数据。NEED_PREPROCESS表示数据是否需要预处理，取值范围为：'y' 或者 'n'。DEVICE_ID可选，默认值为0。DATASET为执行推理的数据集，可选，数据集包括['atis', 'mrda', 'swda', 'udc'],默认值为'atis'。
结果
推理结果保存在脚本执行的当前路径，精度计算结果可以在acc.log中看到。
随机情况说明
run_dgu.sh中设置train_data_shuffle为true，eval_data_shuffle为false，默认对数据集进行轮换操作。
config.py中，默认将hidden_dropout_prob和note_pros_dropout_prob设置为0.1，丢弃部分网络节点。
ModelZoo主页
请浏览官网主页。
基于BERT的对话通用理解模型 (DGU: Dialogue General Understanding), 可支持以下任务：udc、atis_intent、mrda、swda
Python Shell C++ Text
