一、Introduction 

最近宅在家，有空只能搞搞NLP的比赛。不得不赞扬一下优秀的国产深度学习框架–Paddle(飞浆)，代码精炼，使用简单，具有极高的集成度，非常适合初学者上手。 由于代码中用到了各种预训练模型做迁移学习，所以在此记录一下Paddle Hub加载各类预训练模型的方法。

 二、Method 

使用Paddle进行训练大概分为以下几个步骤： 

• 加载预训练模型 

• 加载数据集

•  生成reader

•  选择Fine-Tune优化策略 

• 选择运行配置 

• 组建Fine-Tune任务 

• 开始Fine-Tune 

1、加载预训练模型 首先需要在命令行更新paddlehub到最新版本：

 pip install --upgrade paddlehub -i https://pypi.tuna.tsinghua.edu.cn/simple 

然后通过下面的语法进行预训练模型的加载(若本地未找到会自动联网下载且不限速)

import paddlehub as hub
module = hub.Module(name="ernie")

一些常用的NLP预训练模型如下表所示： 

2、生成Reader

接着生成一个reader，以文本分类任务为例，reader负责将dataset的数据进行预处理，首先对文本进行分词，然后以特定格式组织并输入给模型进行训练。 

 ClassifyReader的参数有三个： 

 dataset: 传入PaddleHub Dataset; 

vocab_path: 传入ERNIE/BERT模型对应的词表文件路径; 

max_seq_len: ERNIE模型的最大序列长度，若序列长度不足，会通过padding方式补到max_seq_len, 若序列长度大于该值，则会以截断方式让序列长度为max_seq_len; 

reader = hub.reader.ClassifyReader(     
dataset=dataset,     
vocab_path=module.get_vocab_path(),     
sp_model_path=module.get_spm_path(),     
word_dict_path=module.get_word_dict_path(),     
max_seq_len=128)

3、选择Fine-Tune优化策略 

对于ERNIE/BERT这类Transformer模型来说最合适的迁移优化策略就是AdamWeightDecayStrategy了。 AdamWeightDecayStrategy的参数有三个： 

 learning_rate: 最大学习率 

lr_scheduler: 有linear_decay和noam_decay两种衰减策略可选 warmup_proprotion: 训练预热的比例，若设置为0.1, 则会在前10%的训练step中学习率逐步提升到learning_rate 

weight_decay: 权重衰减，类似模型正则项策略，避免模型overfitting optimizer_name: 优化器名称，推荐使用Adam 

strategy = hub.AdamWeightDecayStrategy(     
weight_decay=0.01,     
warmup_proportion=0.1,     
learning_rate=5e-5)

PaddleHub还额外提供了多个优化策略，如AdamWeightDecayStrategy、ULMFiTStrategy、DefaultFinetuneStrategy等，详细参数说明请移步官方文档。 

4、 运行配置 在进行Finetune前，我们可以设置一些运行时的配置。 

 use_cuda：设置为False表示使用CPU进行训练。如果您本机支持GPU，且安装的是GPU版本的PaddlePaddle，我们建议您将这个选项设置为True 

epoch：要求Finetune的任务只遍历1次训练集 batch_size：每次训练的时候，给模型输入的每批数据大小为32，模型训练时能够并行处理批数据，因此batch_size越大，训练的效率越高，但是同时带来了内存的负荷，过大的batch_size可能导致内存不足而无法训练，因此选择一个合适的batch_size是很重要的一步 

log_interval：每隔10 步打印一次训练日志 eval_interval：每隔50 步在验证集上进行一次性能评估 checkpoint_dir：将训练的参数和数据保存到model文件夹下

strategy：使用DefaultFinetuneStrategy策略进行

finetune config = hub.RunConfig( 
use_cuda=True, 
num_epoch=5, 
checkpoint_dir="model", 
batch_size=100, 
eval_interval=50, 
strategy=strategy)

5、组建Fine-Tune任务 

有了合适的预训练模型和准备要迁移的数据集后，我们开始组建一个Task。 

获取module的上下文环境，包括输入和输出的变量，以及Paddle Program； 

从输出变量中找到用于情感分类的文本特征pooled_output； 

在pooled_output后面接入一个全连接层，生成Task；

inputs, outputs, program = module.context( 
trainable=True, max_seq_len=128) 
# Use "pooled_output" for classification tasks on an entire sentence. 
pooled_output = outputs["pooled_output"] 
feed_list = [     
  inputs["input_ids"].name,     
  inputs["position_ids"].name,     
  inputs["segment_ids"].name,     
  inputs["input_mask"].name, ] 
cls_task = hub.TextClassifierTask(     
data_reader=reader,     
feature=pooled_output,     
feed_list=feed_list,     
num_classes=dataset.num_labels,     
config=config)

6、开始Fine-Tune 

我们通过finetune_and_eval接口来进行模型训练。这个接口在finetune的过程中会周期性的进行模型效果的评估，以便我们了解整个训练过程的性能变化。 

run_states = cls_task.finetune_and_eval()

7、模型预测

 import numpy as np 
# 写入预测的文本数据 
data = [     ["抗击新型肺炎第一线中国加油鹤岗・绥滨县"],["正能量青年演员朱一龙先生一起武汉祈福武汉加油中国加油"]] 
index = 0 
run_states = cls_task.predict(data=data) 
results = [run_state.run_results for run_state in run_states] 
for batch_result in results:     
  # 获取预测的标签索引     
  batch_result = np.argmax(batch_result, axis=2)[0]     
  for result in batch_result:         
    print("%s\预测值=%s" % (data[index][0], result))         
    index += 1

 三、Conclusion 

本次文章简单介绍了以文本分类任务为例的paddle框架做预训练模型加载和微调的过程。这种新一代的国产框架确实有很多亮点，值得我们去学习与探索。