def train_albert(hyper_parameters=None, rate=1.0):
# path_ner_people_1998_train = "D:/soft_install/dataset/corpus/ner/china-people-daily-ner-corpus/example.train"
# path_ner_people_1998_valid = "D:/soft_install/dataset/corpus/ner/china-people-daily-ner-corpus/example.dev"
if not hyper_parameters:
hyper_parameters = {
'len_max':
128, # 句子最大长度, 固定推荐20-50, bert越长会越慢, 占用空间也会变大, 本地win10-4G设为20就好, 过大小心OOM
'embed_size':
768, # 768, # 字/词向量维度, bert取768, word取300, char可以更小些
'vocab_size': 20000, # 这里随便填的，会根据代码里修改
'trainable': True, # embedding是静态的还是动态的, 即控制可不可以微调
'level_type':
'char', # 级别, 最小单元, 字/词, 填 'char' or 'word', 注意:word2vec模式下训练语料要首先切好
'embedding_type':
'albert', # 级别, 嵌入类型, 还可以填'xlnet'、'random'、 'bert'、 'albert' or 'word2vec"
'gpu_memory_fraction': 0.76, #gpu使用率
'model': {
'label':
575, # 类别数
'batch_size':
2, # 批处理尺寸, 感觉原则上越大越好,尤其是样本不均衡的时候, batch_size设置影响比较大
'dropout':
0.5, # 随机失活, 概率
'decay_step':
100, # 学习率衰减step, 每N个step衰减一次
'decay_rate':
0.9, # 学习率衰减系数, 乘法
'epochs':
132, # 训练最大轮次
'patience':
18, # 早停,2-3就好
'lr':
5e-5, # 学习率, bert取5e-5,其他取1e-3,如果acc较低或者一直不变,优先调这个, 对训练会有比较大的影响, 如果准确率一直上不去,可以考虑调这个参数
'l2':
1e-9, # l2正则化
'activate_classify':
'softmax', # 最后一个layer, 即分类激活函数
'loss':
'sparse_categorical_crossentropy', # 损失函数, mse, categorical_crossentropy, sparse_categorical_crossentropy, binary_crossentropy等
'metrics':
'accuracy', # 保存更好模型的评价标准, accuracy, binary_accuracy, categorical_accuracy, sparse_categorical_accuracy, sparse_top_k_categorical_accuracy
'optimizer_name':
'ADAM', # 可填'ADAM', 'RADAM', 'RADAM,LOOKAHEAD'
'is_training':
True, # 训练后者是测试模型
'path_model_dir':
os.path.join(path_model_dir, "bilstm"),
'model_path':
os.path.join(
path_model_dir, "bilstm_crf.model"
), # 模型地址, loss降低则保存的依据, save_best_only=True, save_weights_only=True
'path_hyper_parameters':
os.path.join(
path_model_dir,
"hyper_parameters.json"), # 模型(包括embedding)，超参数地址,
'path_fineture':
os.path.join(path_model_dir, "embedding.model"
), # embedding trainable地址, 例如字向量、词向量、bert向量等
'path_l2i_i2l':
os.path.join(path_model_dir, "l2i_i2l.json"),
'num_rnn_layers':
1, # rnn层数
'rnn_type':
'GRU', # rnn类型,可以填"LSTM","GRU","CuDNNLSTM","CuDNNGRU"
'rnn_units':
128, # rnn隐藏元
'crf_mode':
'other', # crf类型, 可填'other', 'reg', 'pad'(包括句子实际长度)
},
'embedding': {
'layer_indexes': [-1, -2, -3, -4], # bert取的层数
# 'corpus_path': '', # embedding预训练数据地址,不配则会默认取conf里边默认的地址, keras-bert可以加载谷歌版bert,百度版ernie(需转换，https://github.com/ArthurRizar/tensorflow_ernie),哈工大版bert-wwm(tf框架，https://github.com/ymcui/Chinese-BERT-wwm)
},
'data': {
'train_data':
path_seg_pku_1998_train, # path_ner_people_1998_train, # 训练数据
'val_data':
path_seg_pku_1998_train # path_ner_people_1998_valid # 验证数据
},
}
# 删除先前存在的模型和embedding微调模型等
delete_file(path_model_dir)
time_start = time.time()
if not os.path.exists(hyper_parameters['model']['path_model_dir']):
os.mkdir(hyper_parameters['model']['path_model_dir'])
# 数据预处理初始化
from macropodus.network.preprocess.preprocess_generator import PreprocessGenerator
pg = PreprocessGenerator(os.path.join(path_model_dir, "l2i_i2l.json"))
label_sets, _ = pg.preprocess_label2set(
hyper_parameters['data']['train_data'],
hyper_parameters['embedding_type'])
# 训练数据中试集序列类别个数
hyper_parameters['model']['label'] = len(label_sets)
# graph初始化
graph = Graph(hyper_parameters)
print("graph init ok!")
ra_ed = graph.word_embedding
# 数据预处理, fit
_, len_train = pg.preprocess_label2set(
hyper_parameters['data']['train_data'])
x_train, y_train = pg.preprocess_label_question_to_idx_fit(
embedding_type=hyper_parameters['embedding_type'],
path=hyper_parameters['data']['train_data'],
embed=ra_ed,
rate=rate)
x_val, y_val = pg.preprocess_label_question_to_idx_fit(
embedding_type=hyper_parameters['embedding_type'],
path=hyper_parameters['data']['train_data'],
embed=ra_ed,
rate=rate)
# 训练
graph.fit(x_train, y_train, x_val, y_val)
print("耗时:" + str(time.time() - time_start))
def train_w2v(hyper_parameters=None,
rate=1.0,
path_train=None,
path_val=None,
path_train_dir=None):
# 时间计算
time_start = time.time()
# 默认超参数
if not hyper_parameters:
hyper_parameters = {
'len_max':
128, # 句子最大长度, 固定推荐20-50, bert越长会越慢, 占用空间也会变大, 本地win10-4G设为20就好, 过大小心OOM
'embed_size':
256, # 768, # 字/词向量维度, bert取768, word取300, char可以更小些
'vocab_size': 20000, # 这里随便填的，会根据代码里修改
'trainable': True, # embedding是静态的还是动态的, 即控制可不可以微调
'level_type':
'char', # 级别, 最小单元, 字/词, 填 'char' or 'word', 注意:word2vec模式下训练语料要首先切好
'embedding_type':
'random', # 级别, 嵌入类型, 还可以填'ngram'、'random'、 'bert'、 'albert' or 'word2vec"
'gpu_memory_fraction': 0.76, # gpu使用率
'model': {
'label':
99, # 类别数
'batch_size':
32, # 批处理尺寸, 感觉原则上越大越好,尤其是样本不均衡的时候, batch_size设置影响比较大
'dropout':
0.8, # 随机失活, 概率
'decay_step':
3000, # 学习率衰减step, 每N个step衰减一次
'decay_rate':
0.999, # 学习率衰减系数, 乘法
'epochs':
16, # 训练最大轮次
'patience':
3, # 早停,2-3就好
'lr':
1e-3, # 学习率, bert取5e-5,其他取1e-3,如果acc较低或者一直不变,优先调这个, 对训练会有比较大的影响, 如果准确率一直上不去,可以考虑调这个参数
'l2':
0.5, # l2正则化
'filters': [2, 3, 4],
'filters_num':
256,
'activate_rnn':
'tanh', # rnn-layer中的激活函数, 即RNN激活函数, 可填'tanh', 'relu', 'signmoid'
'activate_classify':
'softmax', # 最后一个layer, 即分类激活函数, 'softmax', 'signmoid'
'loss':
'categorical_crossentropy', # 损失函数, mse, categorical_crossentropy, sparse_categorical_crossentropy, binary_crossentropy等
'metrics':
'accuracy', # 保存更好模型的评价标准, accuracy, binary_accuracy, categorical_accuracy, sparse_categorical_accuracy, sparse_top_k_categorical_accuracy
'optimizer_name':
'ADAM', # 可填'ADAM', 'RADAM', 'RADAM,LOOKAHEAD'
'is_training':
True, # 训练后者是测试模型, 训练时候是True, 测试时候是False
'path_model_dir':
os.path.join(path_model_dir, "crf"), # 保存当前训练模型的根目录
'model_path':
os.path.join(path_model_dir, "bilstm_crf.model"),
# 模型地址, loss降低则保存的依据, save_best_only=True, save_weights_only=True
'path_hyper_parameters':
os.path.join(path_model_dir, "hyper_parameters.json"),
# 模型(包括embedding)，超参数地址,
'path_fineture':
os.path.join(path_model_dir, "embedding.model"),
# embedding trainable地址, 例如字向量、词向量、bert向量等
'path_l2i_i2l':
os.path.join(path_model_dir, "l2i_i2l.json"), # 类别转类标的字典
'num_rnn_layers':
1, # rnn层数, 1, 2 or 3等
'rnn_type':
'LSTM', # rnn类型,可以填"LSTM","GRU","CuDNNLSTM","CuDNNGRU"
'rnn_units':
256, # rnn隐藏元, 128, 256, 512, 768, 1024等
'crf_mode':
'reg', # crf类型, 可填'other', 'reg', 'pad'(包括句子实际长度)
},
'embedding': {
'layer_indexes': [1, 2, 3, 4], #[-1, -2, -3, -4], # bert取的层数
'corpus_path':
path_seg_pku_1998_train, # embedding预训练数据地址,不配则会默认取conf里边默认的地址, keras-bert可以加载谷歌版bert,百度版ernie(需转换，https://github.com/ArthurRizar/tensorflow_ernie),哈工大版bert-wwm(tf框架，https://github.com/ymcui/Chinese-BERT-wwm)
},
'data': {
'train_data':
path_tag_people_1998_train, # path_tag_people_2014_train, # path_seg_pku_1998_train, # path_ner_people_1998_train, # 训练数据
'val_data':
path_tag_people_1998_train # path_tag_people_2014_valid, # path_seg_pku_1998_train # path_ner_people_1998_valid # 验证数据
},
}
# 外部引入参数, 包括输入训练-验证语料, 模型保存地址
if path_train:
hyper_parameters["data"]["train_data"] = path_train
hyper_parameters["data"]["val_data"] = path_train
if path_val:
hyper_parameters["data"]["val_data"] = path_val
if path_train_dir:
hyper_parameters["model"]["path_model_dir"] = path_model_dir
# 创建模型保存目录
if not os.path.exists(hyper_parameters['model']['path_model_dir']):
os.mkdir(hyper_parameters['model']['path_model_dir'])
# 删除先前存在的模型和embedding微调模型等
delete_file(hyper_parameters['model']['path_model_dir'])
# 数据预处理初始化
from macropodus.network.preprocess.preprocess_generator import PreprocessGenerator
pg = PreprocessGenerator(
os.path.join(hyper_parameters['model']['path_model_dir'],
"l2i_i2l.json"))
label_sets, _ = pg.preprocess_label2set(
hyper_parameters['data']['train_data'],
hyper_parameters['embedding_type'])
# 训练数据中试集序列类别个数
hyper_parameters['model']['label'] = len(label_sets)
# graph初始化
graph = Graph(hyper_parameters)
print("graph init ok!")
ra_ed = graph.word_embedding
# # 数据预处理, fit
# x_train, y_train = pg.preprocess_label_question_to_idx_fit(embedding_type=hyper_parameters['embedding_type'],
# path=hyper_parameters['data']['train_data'],
# embed=ra_ed,
# rate=rate,
# crf_mode=hyper_parameters['model']['crf_mode'])
#
# x_val, y_val = pg.preprocess_label_question_to_idx_fit(embedding_type=hyper_parameters['embedding_type'],
# path=hyper_parameters['data']['val_data'],
# embed=ra_ed,
# rate=rate,
# crf_mode=hyper_parameters['model']['crf_mode'])
# # 训练
# graph.fit(x_train, y_train, x_val, y_val)
# fit_generator
graph.fit_generator(ra_ed, rate)
print("耗时:" + str(time.time() - time_start))