@@ -1,5 +1,5 @@ | |||
============================== | |||
DataSet | |||
fastNLP中的DataSet | |||
============================== | |||
:class:`~fastNLP.DataSet` 是fastNLP用于承载数据的类,一般训练集、验证集和测试集会被加载为三个单独的 :class:`~fastNLP.DataSet` 对象。 | |||
@@ -16,8 +16,7 @@ DataSet | |||
每一行是一个instance (在fastNLP中被称为 :mod:`~fastNLP.core.Instance` ), | |||
每一列是一个field (在fastNLP中称为 :mod:`~fastNLP.core.FieldArray` )。 | |||
----------------------------- | |||
数据集构建和删除 | |||
DataSet构建和删除 | |||
----------------------------- | |||
我们使用传入字典的方式构建一个数据集,这是 :class:`~fastNLP.DataSet` 初始化的最基础的方式 | |||
@@ -93,7 +92,7 @@ FastNLP 同样提供了多种删除数据的方法 :func:`~fastNLP.DataSet.drop` | |||
# 删除名为'a'的field | |||
dataset.delete_field('a') | |||
----------------------------- | |||
简单的数据预处理 | |||
----------------------------- | |||
@@ -136,7 +135,7 @@ FastNLP 同样提供了多种删除数据的方法 :func:`~fastNLP.DataSet.drop` | |||
除了手动处理数据集之外,你还可以使用 fastNLP 提供的各种 :class:`~fastNLP.io.Loader` 和 :class:`~fastNLP.io.Pipe` 来进行数据处理。 | |||
详细请参考这篇教程 :doc:`使用Loader和Pipe处理数据 </tutorials/tutorial_4_load_dataset>` 。 | |||
----------------------------- | |||
fastNLP中field的命名习惯 | |||
----------------------------- | |||
@@ -1,10 +1,10 @@ | |||
============================== | |||
Vocabulary | |||
fastNLP中的Vocabulary | |||
============================== | |||
:class:`~fastNLP.Vocabulary` 是包含字或词与index关系的类,用于将文本转换为index。 | |||
----------------------------- | |||
构建Vocabulary | |||
----------------------------- | |||
@@ -57,7 +57,6 @@ Vocabulary | |||
+---------------------------------------------------+--------+ | |||
----------------------------- | |||
一些使用tips | |||
----------------------------- | |||
@@ -86,7 +85,7 @@ Vocabulary | |||
vocab.from_dataset(tr_data, field_name='chars', no_create_entry_dataset=[dev_data]) | |||
:class:`~fastNLP.Vocabulary` 中的 `no_create_entry` , 建议在添加来自于测试集和验证集的词的时候将该参数置为True, 或将验证集和测试集 | |||
:class:`~fastNLP.Vocabulary` 中的 `no_create_entry` , 建议在添加来自于测试集和验证集的词的时候将该参数置为True, 或将验证集和测试集 | |||
传入 `no_create_entry_dataset` 参数。它们的意义是在接下来的模型会使用pretrain的embedding(包括glove, word2vec, elmo与bert)且会finetune的 | |||
情况下,如果仅使用来自于train的数据建立vocabulary,会导致只出现在test与dev中的词语无法充分利用到来自于预训练embedding的信息(因为他们 | |||
会被认为是unk),所以在建立词表的时候将test与dev考虑进来会使得最终的结果更好。通过与fastNLP中的各种Embedding配合使用,会有如下的效果, | |||
@@ -17,7 +17,7 @@ | |||
- `Part IX: StaticEmbedding的使用建议`_ | |||
--------------------------------------- | |||
Part I: embedding介绍 | |||
--------------------------------------- | |||
@@ -29,7 +29,7 @@ elmo和character embedding, 需要将word拆分成character才能使用;Bert | |||
大家的使用,fastNLP通过 :class:`~fastNLP.Vocabulary` 统一了不同embedding的使用。下面我们将讲述一些例子来说明一下 | |||
--------------------------------------- | |||
Part II: 使用预训练的静态embedding | |||
--------------------------------------- | |||
@@ -61,7 +61,7 @@ fastNLP的StaticEmbedding在初始化之后,就和pytorch中的Embedding是类 | |||
除了可以通过使用预先提供的Embedding, :class:`~fastNLP.embeddings.StaticEmbedding` 也支持加载本地的预训练词向量,glove, word2vec以及 | |||
fasttext格式的。通过将model_dir_or_name修改为本地的embedding文件路径,即可使用本地的embedding。 | |||
--------------------------------------- | |||
Part III: 使用随机初始化的embedding | |||
--------------------------------------- | |||
@@ -86,7 +86,7 @@ Part III: 使用随机初始化的embedding | |||
torch.Size([1, 5, 30]) | |||
----------------------------------------------------------- | |||
Part IV: ELMo Embedding | |||
----------------------------------------------------------- | |||
@@ -136,7 +136,7 @@ Part IV: ELMo Embedding | |||
torch.Size([1, 5, 256]) | |||
----------------------------------------------------------- | |||
Part V: Bert Embedding | |||
----------------------------------------------------------- | |||
@@ -225,7 +225,7 @@ token_type_id将是[0, 0, 0, 1, 1, 1, 0, 0]。但请注意[SEP]一定要大写 | |||
.. todo:: | |||
找人写一篇BertEmbedding的使用教程 | |||
----------------------------------------------------- | |||
Part VI: 使用character-level的embedding | |||
----------------------------------------------------- | |||
@@ -272,7 +272,7 @@ CNNCharEmbedding的使用例子如下: | |||
torch.Size([1, 5, 64]) | |||
----------------------------------------------------- | |||
Part VII: 叠加使用多个embedding | |||
----------------------------------------------------- | |||
@@ -304,7 +304,7 @@ Part VII: 叠加使用多个embedding | |||
必须使用同样的 :class:`~fastNLP.Vocabulary` ,因为只有使用同样的 :class:`~fastNLP.Vocabulary` 才能保证同一个index指向的是同一个词或字 | |||
----------------------------------------------------------- | |||
Part VIII: Embedding的其它说明 | |||
----------------------------------------------------------- | |||
@@ -352,7 +352,7 @@ fastNLP中所有的Embedding都支持传入word_dropout和dropout参数,word_d | |||
如果使用 :class:`~fastNLP.embeddings.StackEmbedding` 且需要用到word_dropout,建议将word_dropout设置在 :class:`~fastNLP.embeddings.StackEmbedding` 上。 | |||
----------------------------------------------------------- | |||
Part IX: StaticEmbedding的使用建议 | |||
----------------------------------------------------------- | |||
@@ -5,7 +5,6 @@ | |||
我们使用和 :doc:`/user/quickstart` 中一样的任务来进行详细的介绍。给出一段评价性文字,预测其情感倾向是积极的(label=0)、 | |||
还是消极的(label=1),使用 :class:`~fastNLP.Trainer` 和 :class:`~fastNLP.Tester` 来进行快速训练和测试。 | |||
----------------- | |||
数据读入和处理 | |||
----------------- | |||
@@ -27,21 +26,21 @@ | |||
pipe = SST2Pipe() | |||
databundle = pipe.process_from_file() | |||
vocab = databundle.vocabs['words'] | |||
vocab = databundle.get_vocab('words') | |||
print(databundle) | |||
print(databundle.datasets['train'][0]) | |||
print(databundle.vocabs['words']) | |||
print(databundle.get_dataset('train')[0]) | |||
print(databundle.get_vocab('words')) | |||
输出数据如下:: | |||
In total 3 datasets: | |||
test has 1821 instances. | |||
train has 67349 instances. | |||
dev has 872 instances. | |||
test has 1821 instances. | |||
train has 67349 instances. | |||
dev has 872 instances. | |||
In total 2 vocabs: | |||
words has 16293 entries. | |||
target has 2 entries. | |||
words has 16293 entries. | |||
target has 2 entries. | |||
+-------------------------------------------+--------+--------------------------------------+---------+ | |||
| raw_words | target | words | seq_len | | |||
@@ -51,16 +50,16 @@ | |||
Vocabulary(['hide', 'new', 'secretions', 'from', 'the']...) | |||
除了可以对数据进行读入的Pipe类,fastNLP还提供了读入和下载数据的Loader类,不同数据集的Pipe和Loader及其用法详见 :doc:`/tutorials/tutorial_4_load_dataset` 。 | |||
除了可以对数据进行读入的Pipe类,fastNLP还提供了读入和下载数据的Loader类,不同数据集的Pipe和Loader及其用法详见 :doc:` </tutorials/tutorial_4_load_dataset>` 。 | |||
数据集分割 | |||
由于SST2数据集的测试集并不带有标签数值,故我们分割出一部分训练集作为测试集。下面这段代码展示了 :meth:`~fastNLP.DataSet.split` 的使用方法 | |||
.. code-block:: python | |||
train_data = databundle.datasets['train'] | |||
train_data = databundle.get_dataset('train') | |||
train_data, test_data = train_data.split(0.015) | |||
dev_data = databundle.datasets['dev'] | |||
dev_data = databundle.get_dataset('dev') | |||
print(len(train_data),len(dev_data),len(test_data)) | |||
输出结果为:: | |||
@@ -68,14 +67,17 @@ | |||
66339 872 1010 | |||
数据集 :meth:`~fastNLP.DataSet.set_input` 和 :meth:`~fastNLP.DataSet.set_target` 函数 | |||
:class:`~fastNLP.io.SST2Pipe` 类的 :meth:`~fastNLP.io.SST2Pipe.process_from_file` 方法在预处理过程中还将训练、测试、验证集的 `words` 、`seq_len` :mod:`~fastNLP.core.field` 设定为input,同时将 `target` :mod:`~fastNLP.core.field` 设定为target。我们可以通过 :class:`~fastNLP.core.Dataset` 类的 :meth:`~fastNLP.core.Dataset.print_field_meta` 方法查看各个 :mod:`~fastNLP.core.field` 的设定情况,代码如下: | |||
:class:`~fastNLP.io.SST2Pipe` 类的 :meth:`~fastNLP.io.SST2Pipe.process_from_file` 方法在预处理过程中还将训练、测试、验证 | |||
集的 `words` 、`seq_len` :mod:`~fastNLP.core.field` 设定为input,同时将 `target` :mod:`~fastNLP.core.field` 设定 | |||
为target。我们可以通过 :class:`~fastNLP.core.Dataset` 类的 :meth:`~fastNLP.core.Dataset.print_field_meta` 方法查看各个 | |||
:mod:`~fastNLP.core.field` 的设定情况,代码如下: | |||
.. code-block:: python | |||
train_data.print_field_meta() | |||
输出结果为:: | |||
+-------------+-----------+--------+-------+---------+ | |||
| field_names | raw_words | target | words | seq_len | | |||
+-------------+-----------+--------+-------+---------+ | |||
@@ -85,11 +87,14 @@ | |||
| pad_value | | 0 | 0 | 0 | | |||
+-------------+-----------+--------+-------+---------+ | |||
其中is_input和is_target分别表示是否为input和target。ignore_type为true时指使用 :class:`~fastNLP.DataSetIter` 取出batch数据时fastNLP不会进行自动padding,pad_value指对应 :mod:`~fastNLP.core.field` padding所用的值,这两者只有当 :mod:`~fastNLP.core.field` 设定为input或者target的时候才有存在的意义。 | |||
其中is_input和is_target分别表示是否为input和target。ignore_type为true时指使用 :class:`~fastNLP.DataSetIter` 取出batch数 | |||
据时fastNLP不会进行自动padding,pad_value指对应 :mod:`~fastNLP.core.field` padding所用的值,这两者只有 | |||
当 :mod:`~fastNLP.core.field` 设定为input或者target的时候才有存在的意义。 | |||
is_input为true的 :mod:`~fastNLP.core.field` 在 :class:`~fastNLP.DataSetIter` 迭代取出的 batch_x 中,而 is_target为true的 :mod:`~fastNLP.core.field` 在 :class:`~fastNLP.DataSetIter` 迭代取出的 batch_y 中。具体分析见 :doc:`/tutorials/tutorial_6_datasetiter` 的DataSetIter初探。 | |||
is_input为true的 :mod:`~fastNLP.core.field` 在 :class:`~fastNLP.DataSetIter` 迭代取出的batch_x 中,而is_target为true | |||
的 :mod:`~fastNLP.core.field` 在:class:`~fastNLP.DataSetIter` 迭代取出的 batch_y 中。 | |||
具体分析见 :doc:`使用DataSetIter实现自定义训练过程 </tutorials/tutorial_6_datasetiter>` 。 | |||
--------------------- | |||
使用内置模型训练 | |||
--------------------- | |||
模型定义和初始化 | |||
@@ -106,7 +111,7 @@ | |||
#还可以传入 kernel_nums, kernel_sizes, padding, dropout的自定义值 | |||
model_cnn = CNNText((len(vocab),EMBED_DIM), num_classes=2, dropout=0.1) | |||
使用fastNLP快速搭建自己的模型详见 :doc:`/tutorials/tutorial_8_modules_models` 。 | |||
使用fastNLP快速搭建自己的模型详见 :doc:`</tutorials/tutorial_8_modules_models>` 。 | |||
评价指标 | |||
训练模型需要提供一个评价指标。这里使用准确率做为评价指标。 | |||
@@ -194,10 +199,10 @@ | |||
训练过程的输出如下:: | |||
input fields after batch(if batch size is 2): | |||
words: (1)type:torch.Tensor (2)dtype:torch.int64, (3)shape:torch.Size([2, 16]) | |||
seq_len: (1)type:torch.Tensor (2)dtype:torch.int64, (3)shape:torch.Size([2]) | |||
words: (1)type:torch.Tensor (2)dtype:torch.int64, (3)shape:torch.Size([2, 16]) | |||
seq_len: (1)type:torch.Tensor (2)dtype:torch.int64, (3)shape:torch.Size([2]) | |||
target fields after batch(if batch size is 2): | |||
target: (1)type:torch.Tensor (2)dtype:torch.int64, (3)shape:torch.Size([2]) | |||
target: (1)type:torch.Tensor (2)dtype:torch.int64, (3)shape:torch.Size([2]) | |||
training epochs started 2019-09-17-14-29-00 | |||
@@ -205,37 +210,7 @@ | |||
Evaluation on dev at Epoch 1/10. Step:4147/41470: | |||
AccuracyMetric: acc=0.762615 | |||
Evaluate data in 0.19 seconds! | |||
Evaluation on dev at Epoch 2/10. Step:8294/41470: | |||
AccuracyMetric: acc=0.800459 | |||
Evaluate data in 0.16 seconds! | |||
Evaluation on dev at Epoch 3/10. Step:12441/41470: | |||
AccuracyMetric: acc=0.777523 | |||
Evaluate data in 0.11 seconds! | |||
Evaluation on dev at Epoch 4/10. Step:16588/41470: | |||
AccuracyMetric: acc=0.634174 | |||
Evaluate data in 0.11 seconds! | |||
Evaluation on dev at Epoch 5/10. Step:20735/41470: | |||
AccuracyMetric: acc=0.791284 | |||
Evaluate data in 0.15 seconds! | |||
Evaluation on dev at Epoch 6/10. Step:24882/41470: | |||
AccuracyMetric: acc=0.573394 | |||
Evaluate data in 0.18 seconds! | |||
Evaluation on dev at Epoch 7/10. Step:29029/41470: | |||
AccuracyMetric: acc=0.759174 | |||
Evaluate data in 0.17 seconds! | |||
Evaluation on dev at Epoch 8/10. Step:33176/41470: | |||
AccuracyMetric: acc=0.776376 | |||
Evaluate data in 0.18 seconds! | |||
Evaluation on dev at Epoch 9/10. Step:37323/41470: | |||
AccuracyMetric: acc=0.740826 | |||
... | |||
Evaluate data in 0.2 seconds! | |||
Evaluation on dev at Epoch 10/10. Step:41470/41470: | |||
@@ -6,7 +6,7 @@ | |||
还是消极的(label=1),使用 :class:`~fastNLP.DataSetIter` 类来编写自己的训练过程。 | |||
DataSetIter初探之前的内容与 :doc:`/tutorials/tutorial_5_loss_optimizer` 中的完全一样,如已经阅读过可以跳过。 | |||
-------------------- | |||
数据读入和预处理 | |||
-------------------- | |||
@@ -115,7 +115,7 @@ DataSetIter初探之前的内容与 :doc:`/tutorials/tutorial_5_loss_optimizer` | |||
# metrics=AccuracyMetric() 在本例中与下面这行代码等价 | |||
metrics=AccuracyMetric(pred=Const.OUTPUT, target=Const.TARGET) | |||
-------------------------- | |||
DataSetIter初探 | |||
-------------------------- | |||
@@ -313,7 +313,7 @@ Dataset个性化padding | |||
在这里所有的`words`都被pad成了长度为40的list。 | |||
------------------------------------ | |||
使用DataSetIter自己编写训练过程 | |||
------------------------------------ | |||
如果你想用类似 PyTorch 的使用方法,自己编写训练过程,可以参考下面这段代码。 | |||
@@ -6,7 +6,6 @@ | |||
下面我们会分三节介绍编写构建模型的具体方法。 | |||
---------------------- | |||
使用 models 中的模型 | |||
---------------------- | |||
@@ -81,8 +80,9 @@ FastNLP 中内置的 models 如下表所示,您可以点击具体的名称查 | |||
:class:`~fastNLP.models.STNLICls` ,用于自然语言推断 (NLI) 的 Star-Transformer 模型 | |||
:class:`~fastNLP.models.STSeqCls` , 用于分类任务的 Star-Transformer 模型 | |||
:class:`~fastNLP.models.BiaffineParser` , Biaffine 依存句法分析网络的实现 | |||
:class:`~fastNLP.models.BiLSTMCRF`, 使用BiLSTM与CRF进行序列标注 | |||
---------------------------- | |||
使用 nn.torch 编写模型 | |||
---------------------------- | |||
@@ -137,7 +137,7 @@ FastNLP 完全支持使用 pyTorch 编写的模型,但与 pyTorch 中编写模 | |||
(dropout): Dropout(p=0.5) | |||
) | |||
---------------------------- | |||
使用 modules 编写模型 | |||
---------------------------- | |||
@@ -73,7 +73,7 @@ fastNLP的数据载入主要是由Loader与Pipe两个基类衔接完成的,您 | |||
from fastNLP import LossInForward | |||
metric = SpanFPreRecMetric(tag_vocab=data_bundle.get_vocab('target')) | |||
optimizer = Adam(model.parameters(), lr=1e-4) | |||
optimizer = Adam(model.parameters(), lr=1e-2) | |||
loss = LossInForward() | |||
使用Trainer进行训练 | |||
@@ -122,3 +122,66 @@ fastNLP的数据载入主要是由Loader与Pipe两个基类衔接完成的,您 | |||
tester = Tester(data_bundle.get_dataset('test'), model, metrics=metric) | |||
tester.test() | |||
输出为:: | |||
[tester] | |||
SpanFPreRecMetric: f=0.482399, pre=0.530086, rec=0.442584 | |||
使用更强的Bert做序列标注 | |||
-------------------------------- | |||
在fastNLP使用Bert进行任务,您只需要切换为 :class:`fastNLP.embeddings.BertEmbedding` 即可。 | |||
.. code-block:: python | |||
from fastNLP.io import WeiboNERPipe | |||
data_bundle = WeiboNERPipe().process_from_file() | |||
data_bundle.rename_field('chars', 'words') | |||
from fastNLP.embeddings import BertEmbedding | |||
embed = BertEmbedding(vocab=data_bundle.get_vocab('words'), model_dir_or_name='cn') | |||
model = BiLSTMCRF(embed=embed, num_classes=len(data_bundle.get_vocab('target')), num_layers=1, hidden_size=200, dropout=0.5, | |||
target_vocab=data_bundle.get_vocab('target')) | |||
from fastNLP import SpanFPreRecMetric | |||
from torch import Adam | |||
from fastNLP import LossInForward | |||
metric = SpanFPreRecMetric(tag_vocab=data_bundle.get_vocab('target')) | |||
optimizer = Adam(model.parameters(), lr=2e-5) | |||
loss = LossInForward() | |||
from fastNLP import Trainer | |||
import torch | |||
device= 0 if torch.cuda.is_available() else 'cpu' | |||
trainer = Trainer(data_bundle.get_dataset('train'), model, loss=loss, optimizer=optimizer, batch_size=12, | |||
dev_data=data_bundle.get_dataset('dev'), metrics=metric, device=device) | |||
trainer.train() | |||
from fastNLP import Tester | |||
tester = Tester(data_bundle.get_dataset('test'), model, metrics=metric) | |||
tester.test() | |||
输出为:: | |||
training epochs started 2019-09-25-07-15-43 | |||
Evaluate data in 2.02 seconds! | |||
Evaluation on dev at Epoch 1/10. Step:113/1130: | |||
SpanFPreRecMetric: f=0.0, pre=0.0, rec=0.0 | |||
... | |||
Evaluate data in 2.17 seconds! | |||
Evaluation on dev at Epoch 10/10. Step:1130/1130: | |||
SpanFPreRecMetric: f=0.647332, pre=0.589852, rec=0.717224 | |||
In Epoch:6/Step:678, got best dev performance: | |||
SpanFPreRecMetric: f=0.669963, pre=0.645238, rec=0.696658 | |||
Reloaded the best model. | |||
Evaluate data in 1.82 seconds! | |||
[tester] | |||
SpanFPreRecMetric: f=0.641774, pre=0.626424, rec=0.657895 | |||
可以看出通过使用Bert,效果有明显的提升,从48.2提升到了64.1。 |