目录
一、比赛和方案理解
baseline的缺陷
第一名的方案
数据维度变化
二、代码实现
第一名代码
swa——平均权重
baseline代码
三、效果展示
第一名的方案：
a、adamW + swa
b、sgd + swa
baseline的方案
在知乎上看到2022搜狐校园NLP算法大赛情感分析第一名方案分享分享，觉得方案非常简单优雅，同时又有点prompt learning的意味在里面(严格来说不是prompt learning)，并且效果非常好。虽然在他们的方案分享中也给出了比较详细的思路和基于pytorch-lightning的代码，但是有一些细节的地方还不够清楚，同时代码也不太容易理解，因此在博客中做更加清晰的说明和分享更加简洁(更好理解基于torch)的代码。
一、比赛和方案理解
这次比赛的任务是——面向实体对象的文本描述情感极性及色彩强度分析。情感极性和强度分为五种情况：极正向、正向、中立、负向、极负向。选手需要针对给定的每一个实体对象，从文本描述的角度，分析出对该实体的情感极性和强度。
数据如下：
{"id": 7410, "content": "如此战斗力惊人的篮网，球迷和专家对他的季后赛期待值能不高吗？因此整个赛季，大家的预测还是有道理的，今年的季后赛东部分区决赛应该还是去年的老样式，篮网和雄鹿估计是还是如约相见。今天的篮网三巨头其实还不是究极体，但也轻松“庖丁解牛”，公牛的路应该还是很漫长的，NBA终究还是那个超级巨星说话的舞台！", "entity": {"篮网": 1, "季后赛": 0}} {"id": 88679, "content": "2014.09 海南省委常委、儋州市委书记，兼洋浦经济开发区工委副书记2014.10 海南省委常委、三亚市委书记2016.11 海南省委常委、海口市委书记2019年9月被查。", "entity": {"市委书记": 0, "海南省委": 0}} 针对上面数据中的content文本和给出的entity，分析出它们分别在content中包含的情感色彩。很明显这是一个分类任务，我当时看见这个赛题的时候，头脑中闪现出的解决方案就是和他们给出的baseline一模一样：
[CLS]content[SEP]entity_0[SEP]
[CLS]content[SEP]entity_1[SEP]
[CLS]content[SEP]entity_2[SEP]
......
[CLS]content[SEP]entity_n[SEP]
按照上面把content和每个entity拼接起来后，送入bert模型提取句向量，然后过分类器，这样就完成了这个任务，这个方案在比赛中也有人使用据说效果不是很理想。下面来看看比赛第一名的方案：
baseline的缺陷
如下图(引用比赛作者方案分享中的图)
因为每条数据的实体数据不相等，所以如同baseline那样的拼接方案，会导致模型见到content文本次数不一样，对最终的效果可能会有影响；同时把每一条数据复制了entity数量次，导致训练数据过多，效率比较低下。还有一个问题就是，模型得到的句向量的选择也会有一定的误差，baseline的方案中最后要么去cls或者所有token的embedding做meanPooling，这样也会对最后的结果产生一定的影响；最后就是那每个实体单独拼接，感觉有点弱化了每个实体间的联系，对最后的结果会产生一定的影响。
第一名的方案
如上图(引用比赛作者方案分享中的图)，把每条数据中的实体用[MASK]拼接起来，然后和content文本使用[SEP]拼接起来，这样就可以高效的在一条数据中构建一个分类任务，而不需要如果baseline那样对每一条数据重复多次。同时这里也避免了最后句向量的取舍问题，直接把[MASK]处对应的embedding作为每个实体情感的分类embedding。这个方案中[MASK]的引入，也有一点prompt learning的意味在里面，效果上作者说比较好。另一方面，它又不是严格的prompt learning，它不需要预测出[Mask]处具体的token是什么，然后做类别映射，也就是不需要做Prompt 答案空间映射（Verbalizer）的构造，只是做了一个Prompt 模版（Template）的构造。
总体行来说，这个方案确实比较优雅，当然效果也比较好，让人一看就有点耳目一新的感觉。当然看论文(prompt learning)比较多的话，应该也能想到类似的方案。代码上实现的一些细节——矩阵的维度变换，给一个更加清晰的说明，理解整个方案就更加的容易了。
数据维度变化
一个batch的数据
[CLS]content_0[SEP]entity_0_0[MASK]entity_0_1[MASK]entity_0_2[MASK][SEP]
[CLS]content_1[SEP]entity_1_0[MASK]entity_1_1[MASK][SEP]
[CLS]content_2[SEP]entity_2_0[MASK][SEP]
[CLS]content_3[SEP]entity_3_0[MASK]entity_3_1[MASK][SEP]
[CLS]content_4[SEP]entity_4_0[MASK]entity_4_1[MASK]entity_4_2[MASK][SEP]
......
[CLS]content_(batch_size-1)[SEP]entity_(batch_size-1)_0[MASK]entity_(batch_size-1)_1[MASK][SEP]
经过tokenizer后，就把token映射到词典对应的id上，需要记录每条数据的input_ids、attention_mask、mask_tokens、entity_count、label，对应的维度变化如下
input_ids：[batch,seq_length]
[
[101,******,102,**,103,**,103,102,,0,0,0,0,0],
[101,******,102,**,103,**,103,102],
[101,******,102,**,103,102,0,0,0,0,0],
......
[101,******,102,**,103,**,103,**,103,**,103,0,0]
]
attention_mask：[batch,seq_length]
[
[1,******,1,**,1,**,1,1,,0,0,0,0,0],
[1,******,1,**,1,**,1,1],
[1,******,1,**,1,1,0,0,0,0,0],
......
[1,******,1,**,1,**,1,**,1,**,1,0,0]
]
mask_tokens:[batch,seq_length]
[
[0,******,0,**,1,**,1,0,,0,0,0,0,0],
[0,******,0,**,1,**,1,0],
[0,******,0,**,1,0,0,0,0,0,0],
......
[0,******,0,**,1,**,1,**,1,**,1,0,0]
]
label用list维护
[
[-2,2],
[1,2],
[-2],
......
[2，-2,0，-1]
]
如果batch内的实体为m个那么label的矩阵就是[m]
[-2,2,1,2,......,2，-2,0，-1]
input_ids+attention_mask经过bert后得到的结果：
# m表示batch内有m个实体is_masked = inputs['is_masked'].bool()inputs = {k: v for k, v in inputs.items() if k in ["input_ids", "attention_mask"]}outputs = self.bert(**inputs,return_dict=True, output_hidden_states=True)# [batch, seq_length, 768]outputs = outputs.last_hidden_state# [m,768]masked_outputs = outputs[is_masked]# [m,5]logits = self.classifier(masked_outputs) 二、代码实现
第一名代码
作者给出了基于pytorch-lightning的代码，我认为封装的比较高了，不太容易理解，在此基础上，我实现了一版基于torch的代码：
模型代码
from transformers import BertPreTrainedModel,BertModelimport torch.nn as nnclass SentiClassifyBertPrompt(BertPreTrainedModel): def __init__(self,config): super(SentiClassifyBertPrompt,self).__init__(config) self.bert = BertModel(config=config) self.classifier = nn.Sequential( nn.Linear(config.hidden_size, config.hidden_size), nn.LayerNorm(config.hidden_size), nn.LeakyReLU(), nn.Dropout(p=config.dropout), nn.Linear(config.hidden_size, config.output_dim), ) def forward(self,inputs): # m表示batch内有m个实体 is_masked = inputs['is_masked'].bool() inputs = {k: v for k, v in inputs.items() if k in ["input_ids", "attention_mask"]} outputs = self.bert(**inputs,return_dict=True, output_hidden_states=True) # [batch, seq_length, 768] outputs = outputs.last_hidden_state # [m,768] masked_outputs = outputs[is_masked] # [m,5] logits = self.classifier(masked_outputs) return logits数据加载代码
import torchfrom torch.utils.data import Datasetfrom tqdm import tqdmimport jsonclass DataReader(Dataset): def __init__(self,file_path,tokenizer,max_langth): self.file_path = file_path self.tokenizer = tokenizer self.max_length = max_langth self.data_list = self.texts_tokeniztion() self.allLength = len(self.data_list) def texts_tokeniztion(self): with open(self.file_path,'r',encoding='utf-8') as f: lines = f.readlines() res = [] for line in tqdm(lines,desc='texts tokenization'): line_dic = json.loads(line.strip('\n')) content = line_dic['content'] entity = line_dic['entity'] prompt_length = 0 prompts = "" label = [] en_count = len(entity) for k,v in entity.items(): prompt_length += len(k) + 1 #标签化为 0-4的整数 label.append(v+2) prompts += k +"[MASK]" #直接最大长度拼接 content = content[0:self.max_length-prompt_length-1-10] text = content + "[SEP]" + prompts input_ids,attention_mask,masks = self.text2ids(text) input_ids = torch.tensor(input_ids,dtype=torch.long) attention_mask = torch.tensor(attention_mask,dtype=torch.long) masks = torch.tensor(masks, dtype=torch.long) #记录每条数据有多少个实体，方便推理的时候batch推理 en_count = torch.tensor(en_count,dtype=torch.long) temp = [] temp.append(input_ids) temp.append(attention_mask) temp.append(masks) temp.append(label) temp.append(en_count) res.append(temp) return res def text2ids(self,text): inputs = self.tokenizer(text) input_ids = inputs['input_ids'] attention_mask = inputs['attention_mask'] masks = [ int(id==self.tokenizer.mask_token_id) for id in input_ids] return input_ids, attention_mask, masks def __getitem__(self, item): input_ids = self.data_list[item][0] attention_mask = self.data_list[item][1] masks = self.data_list[item][2] label = self.data_list[item][3] en_count = self.data_list[item][4] return input_ids, attention_mask, masks, label, en_count def __len__(self): return self.allLength模型训练代码
from data_reader.reader import DataReaderimport torchfrom torch.utils.data import DataLoaderfrom transformers import BertTokenizer,BertConfigfrom torch.optim import AdamWfrom model import SentiClassifyBertPromptfrom torch.optim.swa_utils import AveragedModel, SWALRfrom torch.nn.utils.rnn import pad_sequencefrom log.log import Loggerfrom tqdm import tqdmimport torch.nn.functional as Fimport osos.environ['CUDA_VISIBLE_DEVICES'] = "1"def collate_fn(batch): input_ids, attention_mask, masks, label, en_count = zip(*batch) input_ids = pad_sequence(input_ids,batch_first=True,padding_value=0) attention_mask = pad_sequence(attention_mask,batch_first=True,padding_value=0) masks = pad_sequence(masks, batch_first=True, padding_value=0) labels = [] for ele in label: labels.extend(ele) labels = torch.tensor(labels,dtype=torch.long) en_count = torch.stack(en_count,dim=0) return input_ids, attention_mask, masks, labels, en_countdef dev_validation(dev_loader,device,model): total_correct = 0 total = 0 model.eval() with torch.no_grad(): for step, batch in enumerate(tqdm(dev_loader, desc="dev_validation")): batch = [t.to(device) for t in batch] inputs = {"input_ids": batch[0], "attention_mask": batch[1], "is_masked": batch[2]} label = batch[3] logits = model(inputs) preds = torch.argmax(logits,dim=1) correct = (preds==label).sum() total_correct += correct total += label.size()[0] acc = total_correct/total return accdef set_seed(seed = 1): torch.cuda.manual_seed_all(seed) torch.manual_seed(seed) torch.backends.cudnn.deterministic = Trueif __name__ == '__main__': set_seed() log_level = 10 log_path = "logs/train_bert_prompt_AdamW_swa.log" logger = Logger(log_name='train_bert_prompt', log_level=log_level, log_path=log_path).logger pretrain_model_path = "./pretrained_models/chinese-bert-wwm-ext" batch_size = 16 epochs = 10 tokenizer = BertTokenizer.from_pretrained(pretrain_model_path) config = BertConfig.from_pretrained(pretrain_model_path) config.dropout = 0.2 config.output_dim = 5 config.batch_size = batch_size device = "cuda" if torch.cuda.is_available() else "cpu" model = SentiClassifyBertPrompt.from_pretrained(config=config,pretrained_model_name_or_path = pretrain_model_path) model.to(device) optimizer = AdamW(params=model.parameters(),lr=1e-6) # 随机权重平均SWA,实现更好的泛化 swa_model = AveragedModel(model=model,device=device) # SWA调整学习率 swa_scheduler = SWALR(optimizer, swa_lr=1e-6) train_dataset = DataReader(tokenizer=tokenizer, max_langth=512, file_path='./data/train_split.txt') train_loader = DataLoader(dataset=train_dataset, shuffle=True, batch_size=batch_size, collate_fn=collate_fn) dev_dataset = DataReader(tokenizer=tokenizer, max_langth=512, file_path='./data/dev_split.txt') dev_loader = DataLoader(dataset=dev_dataset, shuffle=True, batch_size=batch_size, collate_fn=collate_fn) for epoch in range(epochs): model.train() for step,batch in enumerate(tqdm(train_loader,desc="training")): batch = [ t.to(device) for t in batch] inputs = {"input_ids":batch[0],"attention_mask":batch[1],"is_masked":batch[2]} label = batch[3] logits = model(inputs) loss = F.cross_entropy(logits,label) loss.backward() optimizer.step() optimizer.zero_grad() swa_model.update_parameters(model) swa_scheduler.step() acc = dev_validation(dev_loader,device,model) swa_acc = dev_validation(dev_loader,device,swa_model) logger.info('Epoch %d acc is %.6f'%(epoch,acc)) logger.info('Epoch %d swa_acc is %.6f' % (epoch, swa_acc))工程目录如下
swa——平均权重
以上训练代码中有一个训练的trick——swa——平均权重是我之前没有见过和使用过的，有必要提一提，其核心思想，是训练的过程中最后保留的模型，并不是验证集上效果最好的模型，而是所有epoch训练后的模型的权重平均值，这样训练出来的模型最具更好的泛化能力和最优的效果。我们也不用自己去实现怎么计算权重的平均，torch也已经有了规范化的流程和代码了，具体的效果怎么样，需要实验去验证(有人说过sgd+swa才有效)。
...... optimizer = AdamW(params=model.parameters(),lr=1e-6) # 随机权重平均SWA,实现更好的泛化 swa_model = AveragedModel(model=model,device=device) # SWA调整学习率 swa_scheduler = SWALR(optimizer, swa_lr=1e-6) for epoch in range(epochs): model.train() for step,batch in enumerate(tqdm(train_loader,desc="training")): ...... #正常训练 logits = model(inputs) loss = F.cross_entropy(logits,label) loss.backward() optimizer.step() optimizer.zero_grad() #每个epoch后swa_model模型更新参数 swa_model.update_parameters(model) #调整学习率 swa_scheduler.step()baseline代码
为了简单验证一下效果怎么样，我也把baseline的方案跑出来了，代码如下：
import torchfrom torch.utils.data import Datasetfrom tqdm import tqdmimport jsonfrom transformers import BertPreTrainedModel,BertModelimport torch.nn as nnclass SentiClassifyBert(BertPreTrainedModel): def __init__(self,config): super(SentiClassifyBert,self).__init__(config) self.bert = BertModel(config=config) self.classifier = nn.Sequential( nn.Linear(config.hidden_size, config.hidden_size), nn.LayerNorm(config.hidden_size), nn.LeakyReLU(), nn.Dropout(p=config.dropout), nn.Linear(config.hidden_size, config.output_dim), ) def forward(self,inputs): inputs = {k: v for k, v in inputs.items() if k in ["input_ids", "attention_mask"]} outputs = self.bert(**inputs,return_dict=True, output_hidden_states=True) outputs = outputs.last_hidden_state cls_output = outputs[:,0:1,:].squeeze() logits = self.classifier(cls_output) return logitsclass DataReader(Dataset): def __init__(self,file_path,tokenizer,max_langth): self.file_path = file_path self.tokenizer = tokenizer self.max_length = max_langth self.data_list = self.texts_tokeniztion() self.allLength = len(self.data_list) def texts_tokeniztion(self): with open(self.file_path,'r',encoding='utf-8') as f: lines = f.readlines() res = [] for line in tqdm(lines,desc='texts tokenization'): line_dic = json.loads(line.strip('\n')) content = line_dic['content'] entity = line_dic['entity'] for k,v in entity.items(): # 直接最大长度拼接 content = content[0:self.max_length - len(k) - 1 - 10] text = content + "[SEP]" + k input_ids, attention_mask, masks = self.text2ids(text) input_ids = torch.tensor(input_ids, dtype=torch.long) attention_mask = torch.tensor(attention_mask, dtype=torch.long) label = torch.tensor(v+2, dtype=torch.long) temp = [] temp.append(input_ids) temp.append(attention_mask) temp.append(label) res.append(temp) return res def text2ids(self,text): inputs = self.tokenizer(text) input_ids = inputs['input_ids'] attention_mask = inputs['attention_mask'] masks = [ int(id==self.tokenizer.mask_token_id) for id in input_ids] return input_ids, attention_mask, masks def __getitem__(self, item): input_ids = self.data_list[item][0] attention_mask = self.data_list[item][1] label = self.data_list[item][2] return input_ids, attention_mask, labelfrom data_reader.reader import DataReaderimport torchfrom torch.utils.data import DataLoaderfrom transformers import BertTokenizer,BertConfigfrom torch.optim import AdamW,SGDfrom model import SentiClassifyBertfrom torch.optim.swa_utils import AveragedModel, SWALRfrom torch.nn.utils.rnn import pad_sequencefrom log.log import Loggerfrom tqdm import tqdmimport torch.nn.functional as Fimport osos.environ['CUDA_VISIBLE_DEVICES'] = "0"def collate_fn(batch): input_ids, attention_mask, label = zip(*batch) input_ids = pad_sequence(input_ids,batch_first=True,padding_value=0) attention_mask = pad_sequence(attention_mask,batch_first=True,padding_value=0) label = torch.stack(label,dim=0) return input_ids, attention_mask, labeldef dev_validation(dev_loader,device,model): total_correct = 0 total = 0 model.eval() with torch.no_grad(): for step, batch in enumerate(tqdm(dev_loader, desc="dev_validation")): batch = [t.to(device) for t in batch] inputs = {"input_ids": batch[0], "attention_mask": batch[1]} label = batch[2] logits = model(inputs) preds = torch.argmax(logits,dim=1) correct = (preds==label).sum() total_correct += correct total += label.size()[0] acc = total_correct/total return accdef set_seed(seed = 1): torch.cuda.manual_seed_all(seed) torch.manual_seed(seed) torch.backends.cudnn.deterministic = Trueif __name__ == '__main__': set_seed() log_level = 10 log_path = "logs/train_bert_adamW_swa_20220718.log" logger = Logger(log_name='train_bert', log_level=log_level, log_path=log_path).logger pretrain_model_path = "./pretrained_models/chinese-bert-wwm-ext" batch_size = 16 epochs = 20 tokenizer = BertTokenizer.from_pretrained(pretrain_model_path) config = BertConfig.from_pretrained(pretrain_model_path) config.dropout = 0.2 config.output_dim = 5 config.batch_size = batch_size device = "cuda" if torch.cuda.is_available() else "cpu" model = SentiClassifyBert.from_pretrained(config=config,pretrained_model_name_or_path = pretrain_model_path) model.to(device) optimizer = AdamW(params=model.parameters(),lr=1e-6) # optimizer = SGD(params=model.parameters(), lr=1e-5,momentum=0.9) # 随机权重平均SWA,实现更好的泛化 swa_model = AveragedModel(model=model,device=device) # SWA调整学习率 swa_scheduler = SWALR(optimizer, swa_lr=1e-6) train_dataset = DataReader(tokenizer=tokenizer, max_langth=512, file_path='./data/train_split.txt') train_loader = DataLoader(dataset=train_dataset, shuffle=True, batch_size=batch_size, collate_fn=collate_fn) dev_dataset = DataReader(tokenizer=tokenizer, max_langth=512, file_path='./data/dev_split.txt') dev_loader = DataLoader(dataset=dev_dataset, shuffle=True, batch_size=batch_size, collate_fn=collate_fn) for epoch in range(epochs): model.train() for step,batch in enumerate(tqdm(train_loader,desc="training")): batch = [ t.to(device) for t in batch] inputs = {"input_ids":batch[0],"attention_mask":batch[1]} label = batch[2] logits = model(inputs) loss = F.cross_entropy(logits,label) loss.backward() optimizer.step() optimizer.zero_grad() swa_model.update_parameters(model) swa_scheduler.step() acc = dev_validation(dev_loader,device,model) swa_acc = dev_validation(dev_loader,device,swa_model) logger.info('Epoch %d acc is %.6f'%(epoch,acc)) logger.info('Epoch %d swa_acc is %.6f' % (epoch, swa_acc))训练中把约9W条数据的训练集切分出1W条数据作为验证集，使用chinese-bert-wwm-ext作为预训练模型，训练20个epochs；对比了SGD和AdamW优化器的效果；同时也对比了baseline和第一名方案的效果；当然swa的效果好不好不能给出一个结论，因为没有测试集。
三、效果展示
第一名的方案：
a、adamW + swa
验证集上的准确率使用AdamW优化器20个epochs内最高准确率是0.929579；swa则是0.928673——它在测试集上表现如何就不太清楚了了。
b、sgd + swa
从准确率上来看sgd收敛的比较慢，再低19个epcoh准确率才到达最高值，而且准确率也没有AdamW高，才89.7，不过看来还没有完全收敛，继续训练还可以提升，不过要花很长时间；看来AdamW这种智能优化器还是比较适合我这种不太会调优化器参数的人呀。
baseline的方案
对比来看baseline的效果差的有点多，第一名的方案确实有效，主要的还是有两点，一是没有重复拼接，造成数据分布的改变，同时模型可能对于学习实体直接的关系更加擅长；二是句向量的选择更加的合适，没有选取cls也没有选取meanPooling的embedding，而是选取[MASK]对应的embedding更加的精确，这种本质上是把prompt learning做了改变应用到这里来了，预训练和微调的gap更小了，提取到的embedding更加准确，所有效果才好。
方案优雅，值得学习和借鉴！
参考文章
2022搜狐校园NLP算法大赛情感分析第一名方案分享
2022搜狐校园 情感分析 算法大赛