PaddleNLP_roberta/examples/few_shot/pet

• PET
• • 代码结构及说明
  • 基于 FewCLUE 进行 PET 实验
  • • 数据准备
    • 模型训练&评估
    • 模型预测
  • References

PET

PET (Exploiting Cloze Questions for Few Shot Text Classification and Natural Language Inference) 提出将输入示例转换为完形填空式短语，以帮助语言模型理解给定的任务

代码结构及说明

|—— pet.py # PET 策略的训练、评估主脚本
|—— dataset.py # PET 策略针对 FewCLUE 9 个数据集的任务转换逻辑，以及明文 -> 训练数据的转换
|—— model.py # PET 的网络结构
|—— evaluate.py # 针对 FewCLUE 9 个数据集的评估函数
|—— predict.py # 针对 FewCLUE 9 个数据集进行预测

基于 FewCLUE 进行 PET 实验

PaddleNLP 内置了 FewCLUE 数据集，可以直接用来进行 PET 策略训练、评估、预测，并生成 FewCLUE 榜单的提交结果，参与 FewCLUE 竞赛。

数据准备

基于 FewCLUE 数据集进行实验只需要 1 行代码，这部分代码在 pet.py 脚本中

from paddlenlp.datasets import load_dataset

# 通过指定 "fewclue" 和数据集名字 name="tnews" 即可一键加载 FewCLUE 中的 tnews 数据集
train_ds, dev_ds, public_test_ds = load_dataset("fewclue", name="tnews", splits=("train_0", "dev_0", "test_public"))

模型训练&评估

通过如下命令，指定 GPU 0 卡, 在 FewCLUE 的 tnews 数据集上进行训练&评估

python -u -m paddle.distributed.launch --gpus "0" \
    pet.py \
	--task_name "tnews" \
	--device gpu \
    --pattern_id 0 \
	--save_dir ./tnews \
	--index 0 \
	--batch_size 16 \
	--learning_rate 1E-4 \
	--epochs 10 \
	--max_seq_length 512 \
	--language_model "ernie-1.0" \
    --rdrop_coef 0 \

参数含义说明

• task_name: FewCLUE 中的数据集名字
• device: 使用 cpu/gpu 进行训练
• pattern_id 完形填空的模式
• save_dir: 模型存储路径
• max_seq_length: 文本的最大截断长度
• rdrop_coef: R-Drop 策略 Loss 的权重系数，默认为 0， 若为 0 则未使用 R-Drop 策略

模型每训练 1 个 epoch, 会在验证集上进行评估

模型预测

通过如下命令，指定 GPU 0 卡， 在 FewCLUE 的 tnews 数据集上进行预测

python -u -m paddle.distributed.launch --gpus "0" predict.py \
        --task_name "tnews" \
        --device gpu \
        --init_from_ckpt "./tnews/model_120/model_state.pdparams" \
        --output_dir "./tnews/output" \
        --batch_size 32 \
        --max_seq_length 512

References

[1] Schick, Timo, and Hinrich Schütze. “Exploiting Cloze Questions for Few Shot Text Classification and Natural Language Inference.” ArXiv:2001.07676 [Cs], January 25, 2021. http://arxiv.org/abs/2001.07676.