使用Trainer和Tester快速训练和测试

我们使用前面介绍过的 文本分类 任务来进行详细的介绍。这里我们把数据集换成了SST2，使用 Trainer 和 Tester 来进行快速训练和测试。

注解

本教程中的代码没有使用 GPU 。读者可以自行修改代码，扩大数据量并使用 GPU 进行训练。

数据读入和处理

数据读入

我们可以使用 fastNLP fastNLP.io 模块中的 SST2Pipe 类，轻松地读取以及预处理SST2数据集。SST2Pipe 对象的 process_from_file() 方法能够对读入的SST2数据集进行数据的预处理，方法的参数为paths, 指要处理的文件所在目录，如果paths为None，则会自动下载数据集，函数默认paths值为None。 此函数返回一个 DataBundle，包含SST2数据集的训练集、测试集、验证集以及source端和target端的字典。其训练、测试、验证数据集含有四个 field ：

• raw_words: 原source句子

• target: 标签值

• words: index之后的raw_words

• seq_len: 句子长度

读入数据代码如下：

from fastNLP.io import SST2Pipe

pipe = SST2Pipe()
databundle = pipe.process_from_file()
vocab = databundle.get_vocab('words')
print(databundle)
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.
In total 2 vocabs:
    words has 16293 entries.
    target has 2 entries.

+-------------------------------------------+--------+--------------------------------------+---------+
|                 raw_words                 | target |                words                 | seq_len |
+-------------------------------------------+--------+--------------------------------------+---------+
| hide new secretions from the parental ... |   1    | [4111, 98, 12010, 38, 2, 6844, 9042] |    7    |
+-------------------------------------------+--------+--------------------------------------+---------+

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 使用Loader和Pipe加载并处理数据集 。

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 split() 的使用方法， 为了能让读者快速运行完整个教程，我们只取了训练集的前5000个数据。

train_data = databundle.get_dataset('train')[:5000]
train_data, test_data = train_data.split(0.015)
dev_data = databundle.get_dataset('dev')
print(len(train_data),len(dev_data),len(test_data))

输出结果为:

4925 872 75

数据集 set_input() 和 set_target() 函数

SST2Pipe 类的 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 field 设定为input，同时将 target field 设定 为target。我们可以通过 Dataset 类的 print_field_meta() 方法查看各个 field 的设定情况，代码如下：

train_data.print_field_meta()

输出结果为:

+-------------+-----------+--------+-------+---------+
| field_names | raw_words | target | words | seq_len |
+-------------+-----------+--------+-------+---------+
|   is_input  |   False   | False  |  True |   True  |
|  is_target  |   False   |  True  | False |  False  |
| ignore_type |           | False  | False |  False  |
|  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 DataSetIter 取出batch数 据时fastNLP不会进行自动padding，pad_value指对应 field padding所用的值，这两者只有 当 field 设定为input或者target的时候才有存在的意义。

is_input为true的 field 在 DataSetIter 迭代取出的batch_x 中，而is_target为true 的 field 在 DataSetIter 迭代取出的 batch_y 中。 具体分析见 使用DataSetIter实现自定义训练过程 。

使用内置模型训练

模型定义和初始化

我们可以导入 fastNLP 内置的文本分类模型 CNNText 来对模型进行定义，代码如下：

from fastNLP.models import CNNText

#词嵌入的维度
EMBED_DIM = 100

#使用CNNText的时候第一个参数输入一个tuple,作为模型定义embedding的参数
#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 使用Modules和Models快速搭建自定义模型 。

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。

• pred 参数对应的是模型的 forward 方法返回的 dict 中的一个 key 的名字。

• target 参数对应的是 DataSet 中作为标签的 field 的名字。

这里我们用 Const 来辅助命名，如果你自己编写模型中 forward 方法的返回值或 数据集中 field 的名字与本例不同， 你可以把 pred 参数和 target 参数设定符合自己代码的值。代码如下：

from fastNLP import AccuracyMetric
from fastNLP import Const

# metrics=AccuracyMetric() 在本例中与下面这行代码等价
metrics=AccuracyMetric(pred=Const.OUTPUT, target=Const.TARGET)

损失函数

训练模型需要提供一个损失函数 ,fastNLP中提供了直接可以导入使用的四种loss，分别为：

• CrossEntropyLoss：包装了torch.nn.functional.cross_entropy()函数，返回交叉熵损失（可以运用于多分类场景）

• BCELoss：包装了torch.nn.functional.binary_cross_entropy()函数，返回二分类的交叉熵

• L1Loss：包装了torch.nn.functional.l1_loss()函数，返回L1 损失

• NLLLoss：包装了torch.nn.functional.nll_loss()函数，返回负对数似然损失

下面提供了一个在分类问题中常用的交叉熵损失。注意它的 初始化参数 。

• pred 参数对应的是模型的 forward 方法返回的 dict 中的一个 key 的名字。

• target 参数对应的是 DataSet 中作为标签的 field 的名字。

这里我们用 Const 来辅助命名，如果你自己编写模型中 forward 方法的返回值或 数据集中 field 的名字与本例不同， 你可以把 pred 参数和 target 参数设定符合自己代码的值。

from fastNLP import CrossEntropyLoss

# loss = CrossEntropyLoss() 在本例中与下面这行代码等价
loss = CrossEntropyLoss(pred=Const.OUTPUT, target=Const.TARGET)

除了使用fastNLP已经包装好的了损失函数，也可以通过fastNLP中的LossFunc类来构建自己的损失函数，方法如下：

# 这表示构建了一个损失函数类，由func计算损失函数，其中将从模型返回值或者DataSet的target=True的field
# 当中找到一个参数名为`pred`的参数传入func一个参数名为`input`的参数；找到一个参数名为`label`的参数
# 传入func作为一个名为`target`的参数
#下面自己构建了一个交叉熵函数，和之后直接使用fastNLP中的交叉熵函数是一个效果
import torch
from fastNLP import LossFunc
func = torch.nn.functional.cross_entropy
loss_func = LossFunc(func, input=Const.OUTPUT, target=Const.TARGET)

优化器

定义模型运行的时候使用的优化器，可以直接使用torch.optim.Optimizer中的优化器，并在实例化 Trainer 类的时候传入优化器实参

import torch.optim as optim

#使用 torch.optim 定义优化器
optimizer=optim.RMSprop(model_cnn.parameters(), lr=0.01, alpha=0.99, eps=1e-08, weight_decay=0, momentum=0, centered=False)

快速训练

现在我们对上面定义的模型使用 Trainer 进行训练。 除了使用 DataSetIter 来编写自己的训练过程，具体见 使用DataSetIter实现自定义训练过程

from fastNLP import Trainer

#训练的轮数和batch size
N_EPOCHS = 10
BATCH_SIZE = 16

#如果在定义trainer的时候没有传入optimizer参数，模型默认的优化器为torch.optim.Adam且learning rate为lr=4e-3
#这里只使用了loss作为损失函数输入，感兴趣可以尝试其他损失函数（如之前自定义的loss_func）作为输入
trainer = Trainer(model=model_cnn, train_data=train_data, dev_data=dev_data, loss=loss, metrics=metrics,
optimizer=optimizer,n_epochs=N_EPOCHS, batch_size=BATCH_SIZE)
trainer.train()

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, 13])
    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])

training epochs started 2020-02-26-16-45-40
Evaluate data in 0.5 seconds!
Evaluation on dev at Epoch 1/10. Step:308/3080:
AccuracyMetric: acc=0.677752

......

Evaluate data in 0.44 seconds!
Evaluation on dev at Epoch 10/10. Step:3080/3080:
AccuracyMetric: acc=0.725917


In Epoch:5/Step:1540, got best dev performance:
AccuracyMetric: acc=0.740826
Reloaded the best model.

快速测试

与 Trainer 对应，fastNLP 也提供了 Tester 用于快速测试，用法如下

from fastNLP import Tester

tester = Tester(test_data, model_cnn, metrics=AccuracyMetric())
tester.test()

训练过程输出如下:

Evaluate data in 0.43 seconds!
[tester]
AccuracyMetric: acc=0.773333

代码下载

点击下载 IPython Notebook 文件

---