ToB企服应用市场:ToB评测及商务社交产业平台

标题: 预训练语言模型BERT——PaddleNLP中的预训练模型 [打印本页]

作者: 半亩花草 时间: 2024-11-8 11:02
标题: 预训练语言模型BERT——PaddleNLP中的预训练模型
5. PaddleNLP中的预训练模型

5.1 PaddleNLP 预训练模型介绍

与此同时，为方便用户使用，PaddleNLP提供了常用的预训练模型及其相应权重，包括从 huggingface.co 直接转换的模型权重和百度自研模型权重。目前共包罗了40多个主流预训练模型，500多个模型权重。下标列出了PaddleNLP内置的模型以及这些模型支持的常见NLP任务类型，此中各项任务表明如下：

Sequence Classification：针对整个文本序列进行分类，最典型的任务是文本分类
Token Classification：针对序列中每个token进行分类，最典型的任务是定名实体识别
Question Answering：针对Query从给定文档中进行抽取答案，最典型的任务是阅读理解
Text Generation：文本生成任务，最典型的任务是呆板翻译

Model	Sequence Classification	Token Classification	Question Answering	Text Generation
ALBERT	✅	✅	✅	❌
BART	✅	✅	✅	✅
BERT	✅	✅	✅	❌
BigBird	✅	✅	✅	❌
Blenderbot	❌	❌	❌	✅
Blenderbot-Small	❌	❌	❌	✅
ChineseBert	✅	✅	✅	❌
ConvBert	✅	✅	✅	❌
CTRL	✅	❌	❌	❌
DistilBert	✅	✅	✅	❌
ELECTRA	✅	✅	✅	❌
ERNIE	✅	✅	✅	❌
ERNIE-CTM	❌	✅	❌	❌
ERNIE-DOC	✅	✅	✅	❌
ERNIE-GEN	❌	❌	❌	✅
ERNIE-GRAM	✅	✅	✅	❌
ERNIE-M	✅	✅	✅	❌
FNet	✅	✅	✅	❌
Funnel	✅	✅	✅	❌
GPT	✅	✅	❌	✅
LayoutLM	✅	✅	❌	❌
LayoutLMV2	❌	✅	❌	❌
LayoutXLM	❌	✅	❌	❌
Luke	❌	✅	✅	❌
MBart	✅	❌	✅	❌
MegatronBert	✅	✅	✅	❌
MobileBert	✅	❌	✅	❌
MPNet	✅	✅	✅	❌
NeZha	✅	✅	✅	❌
PPMiniLM	✅	❌	❌	❌
ProphetNet	❌	❌	❌	✅
Reformer	✅	❌	✅	❌
RemBert	✅	✅	✅	❌
RoBERTa	✅	✅	✅	❌
RoFormer	✅	✅	✅	❌
SKEP	✅	✅	❌	❌
SqueezeBert	✅	✅	✅	❌
T5	❌	❌	❌	✅
TinyBert	✅	❌	❌	❌
UnifiedTransformer	❌	❌	❌	✅
XLNet	✅	✅	✅	❌

下标列出了一些比较常用的模型权重，此中每个权重由差别的语料或模型参数设置进行训练得到，能够使用于合适的应用场景，并且每个权重均有一个对应的名字，其表明了对应的模型训练设置，例如bert-base-uncased表现用不区分大小写的英文语料训练出来的base版的BERT模型，bert-base-chinese表现用中文语料训练出的base版的BERT等等。

Model	Weight name	language	Details of the model
BERT	bert-base-uncased	English	12-layer, 768-hidden, 12-heads, 110M parameters.
BERT	bert-base-chinese	Chinese	12-layer, 768-hidden, 12-heads, 108M parameters.
Ernie	ernie-1.0-base-zh	Chinese	12-layer, 768-hidden, 12-heads, 108M parameters.
Ernie	ernie-3.0-base-zh	Chinese	12-layer, 768-hidden, 12-heads, 118M parameters.
RoBERTa	hfl/roberta-wwm-ext	Chinese	12-layer, 768-hidden, 12-heads, 102M parameters.
ELECTRA	chinese-electra-base	Chinese	12-layer, 768-hidden, 12-heads, 102M parameters.
Reformer	reformer-enwik8	English	12-layer, 1024-hidden, 8-heads, 148M parameters.
GPT	gpt-cpm-large-cn	Chinese	32-layer, 2560-hidden, 32-heads, 2.6B parameters. Trained on Chinese text.
TinyBERT	tinybert-4l-312d-zh	Chinese	4-layer, 312-hidden, 12-heads, 14.5M parameters. The TinyBert model distilled from the BERT model bert-base-uncased

5.2 使用PaddleNLP加载预训练模型

使用PaddleNLP加载与训练模型非常简朴，只需要以下两步便可以轻松加载预训练模型：

确定要加载的模型，将模型导入至当前情况
确定要加载的模型权重，将权重名称传入至模型中

初始情况下，PaddleNLP会下载对应的权重，并对模型进行初始化，如果模型已经下载到本地，默认会直接加载本地的模型权重。例如，
In [7]

from paddlenlp.transformers import BertModel
model_name = "bert-base-chinese"
model = AutoModel.from_pretrained(model_name)

复制代码

[2022-08-09 21:39:46,519] [ INFO] - We are using <class 'paddlenlp.transformers.bert.modeling.BertModel'> to load 'bert-base-chinese'.
[2022-08-09 21:39:46,524] [ INFO] - Already cached /home/aistudio/.paddlenlp/models/bert-base-chinese/bert-base-chinese.pdparams
[2022-08-09 21:39:56,802] [ INFO] - Weights from pretrained model not used in BertModel: ['cls.predictions.decoder_weight', 'cls.predictions.decoder_bias', 'cls.predictions.transform.weight', 'cls.predictions.transform.bias', 'cls.predictions.layer_norm.weight', 'cls.predictions.layer_norm.bias', 'cls.seq_relationship.weight', 'cls.seq_relationship.bias']
一般来讲，每个预训练模型的权重均有对应的tokenizer，tokenizer用于对输入文本进行分词，将文本转为对应的token序列，对该token序列进行编码，形成适合输入模型的数据形式。 tokenizer的加载同模型加载方式，同样非常方便。
下面，我们加载BERT的tokenizer，并对输入文本进行形式转换，同时将转换后的id转回原始的token，我们来比较一下此中的差别。
In [1]

from paddlenlp.transformers import BertTokenizer
from pprint import pprint
model_name = "bert-base-chinese"
tokenizer = BertTokenizer.from_pretrained(model_name)
text = "我爱深度学习"
encoded_inputs = tokenizer(text=text, return_position_ids=True)
pprint(encoded_inputs)
tokens = tokenizer.convert_ids_to_tokens(encoded_inputs["input_ids"])
pprint(tokens)

复制代码

[2022-08-24 16:04:56,572] [ INFO] - Downloading https://paddle-hapi.bj.bcebos.com/models/bert/bert-base-chinese-vocab.txt and saved to /home/aistudio/.paddlenlp/models/bert-base-chinese
[2022-08-24 16:04:56,576] [ INFO] - Downloading bert-base-chinese-vocab.txt from https://paddle-hapi.bj.bcebos.com/models/bert/bert-base-chinese-vocab.txt
100%|██████████| 107/107 [00:00<00:00, 3378.23it/s]
{'input_ids': [101, 2769, 4263, 3918, 2428, 2110, 739, 102],
'position_ids': [0, 1, 2, 3, 4, 5, 6, 7],
'token_type_ids': [0, 0, 0, 0, 0, 0, 0, 0]}
['[CLS]', '我', '爱', '深', '度', '学', '习', '[SEP]']
可以看到，tokenizer返回了input_ids、token_type_ids和position_ids，同时在序列前后增加了[CLS]和[SEP] token，以输入到BERT模型中。
别的，PaddleNLP在提供丰富预训练模型的同时，也低落了用户的使用门槛。使用Auto模块，可以加载差别网络结构的预训练模型以及对应的tokenizer，只需要将模型的权重名称传入Auto便可以很方便地加载。
起首下载最新版本的PaddleNLP库，安装乐成后，请重启AiStudio运行内核，然后便可以加载BERT模型。
In [3]

!pip install -U paddlenlp

复制代码

Looking in indexes: Simple Index
。。。
Collecting pyarrow>=6.0.0
Downloading https://pypi.tuna.tsinghua.edu.cn/packages/7f/08/9b5fe7c9e2774bca77dae29d22a446ead804fb8e050f2899ae1f60d73ad1/pyarrow-9.0.0-cp37-cp37m-manylinux_2_17_x86_64.manylinux2014_x86_64.whl (35.3 MB)
l ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 0.0/35.3 MB ? eta -:--:--━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 0.1/35.3 MB 4.1 MB/s eta 0:00:09━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 0.3/35.3 MB 4.5 MB/s eta
...
0:00:01━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━╸ 35.3/35.3 MB 3.9 MB/s eta 0:00:01━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━╸ 35.3/35.3 MB 3.9 MB/s eta 0:00:01━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 35.3/35.3 MB 3.4 MB/s eta 0:00:00
。。。
[notice] A new release of pip available: 22.1.2 -> 22.2.2
[notice] To update, run: pip install --upgrade pip
In [2]

from paddlenlp.transformers import AutoTokenizer, AutoModel
# 使用Auto模块加载tokenizer
model_name = "bert-base-chinese"
tokenizer = AutoTokenizer.from_pretrained(model_name)
text = "我爱深度学习"
encoded_inputs = tokenizer(text=text, return_position_ids=True)
pprint(encoded_inputs)
tokens = tokenizer.convert_ids_to_tokens(encoded_inputs["input_ids"])
pprint(tokens)
# 使用Auto模块加载模型
model = AutoModel.from_pretrained(model_name)

复制代码

[2022-08-10 10:39:44,088] [ INFO] - We are using <class 'paddlenlp.transformers.bert.tokenizer.BertTokenizer'> to load 'bert-base-chinese'.
[2022-08-10 10:39:44,092] [ INFO] - Already cached /home/aistudio/.paddlenlp/models/bert-base-chinese/bert-base-chinese-vocab.txt
[2022-08-10 10:39:44,114] [ INFO] - tokenizer config file saved in /home/aistudio/.paddlenlp/models/bert-base-chinese/tokenizer_config.json
[2022-08-10 10:39:44,116] [ INFO] - Special tokens file saved in /home/aistudio/.paddlenlp/models/bert-base-chinese/special_tokens_map.json
{'input_ids': [101, 2769, 4263, 3918, 2428, 2110, 739, 102], 'token_type_ids': [0, 0, 0, 0, 0, 0, 0, 0], 'position_ids': [0, 1, 2, 3, 4, 5, 6, 7]}
['[CLS]', '我', '爱', '深', '度', '学', '习', '[SEP]']
[2022-08-10 10:39:44,122] [ INFO] - We are using <class 'paddlenlp.transformers.bert.modeling.BertModel'> to load 'bert-base-chinese'.
[2022-08-10 10:39:44,125] [ INFO] - Downloading http://bj.bcebos.com/paddlenlp/models/transformers/bert/bert-base-chinese.pdparams and saved to /home/aistudio/.paddlenlp/models/bert-base-chinese
[2022-08-10 10:39:44,127] [ INFO] - Downloading bert-base-chinese.pdparams from http://bj.bcebos.com/paddlenlp/models/transformers/bert/bert-base-chinese.pdparams
100%|██████████| 680M/680M [00:09<00:00, 75.2MB/s]
W0810 10:39:53.714033 1102 gpu_resources.cc:61] Please NOTE: device: 0, GPU Compute Capability: 7.0, Driver API Version: 11.2, Runtime API Version: 10.1
W0810 10:39:53.718433 1102 gpu_resources.cc:91] device: 0, cuDNN Version: 7.6.
[2022-08-10 10:40:00,105] [ INFO] - Weights from pretrained model not used in BertModel: ['cls.predictions.decoder_weight', 'cls.predictions.decoder_bias', 'cls.predictions.transform.weight', 'cls.predictions.transform.bias', 'cls.predictions.layer_norm.weight', 'cls.predictions.layer_norm.bias', 'cls.seq_relationship.weight', 'cls.seq_relationship.bias']
可以看到，使用PaddleNLP可以非常方便地加载相应的模型，并基于这些模型进行NLP任务的实现。下一节，我们将基于PaddleNLP从数据准备、到模型构建、再到模型训练与测试的完整流程出发，实现文本匹配任务，深入讲授如何使用PaddleNLP进行训练NLP任务。

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。

欢迎光临 ToB企服应用市场:ToB评测及商务社交产业平台 (https://dis.qidao123.com/)